La segmentación semántica se ha utilizado ampliamente en la agricultura de precisión, como la detección de malezas, que es fundamental para aumentar los rendimientos de los cultivos. Recientemente se han desarrollado varios modelos de IA bien establecidos y de rápida evolución para la segmentación semántica en la detección de malezas; sin embargo, hay información insuficiente sobre su estudio comparativo para la selección óptima de modelos en términos de rendimiento en este campo. Identificar un modelo así ayuda a la comunidad agrícola a hacer el mejor uso de la tecnología. Por lo tanto, realizamos un estudio comparativo de modelos de segmentación basados en aprendizaje profundo de IA de vanguardia para la detección de malezas utilizando un conjunto de datos de imágenes RGB adquiridas con UAV, llamado CoFly-WeedDB. Para esto, aprovechamos modelos de segmentación de IA, que van desde SegNet hasta DeepLabV3+, combinados con cinco redes neuronales convolucionales de respaldo (VGG16, ResNet50, DenseNet121, EfficientNetB0 y MobileNetV2). Los resultados muestran que UNet con EfficientNetB0 como CNN de respaldo es el modelo de mejor rendimiento en comparación con los otros modelos candidatos utilizados en este estudio en el conjunto de datos CoFly-WeedDB, proporcionando Precisión (88.20%), Recall (88.97%), F1-score (88.24%) y la media de la Intersección de Unión (56.21%). A partir de este estudio, suponemos que el modelo UNet combinado con EfficientNetB0 podría ser utilizado potencialmente por las partes interesadas (por ejemplo, agricultores, la industria agrícola) para detectar malezas de manera más precisa en el campo, eliminándolas así en el punto más temprano y aumentando los rendimientos de los cultivos.