En la producción moderna de ganado, obtener mediciones precisas del peso corporal de los cerdos es esencial para la gestión de la alimentación y la evaluación económica, sin embargo, el pesaje convencional es laborioso y puede estresar a los animales. Para abordar estas limitaciones, desarrollamos un sistema basado en imágenes sin contacto que primero utiliza BiRefNet para la eliminación de fondo de alta precisión y YOLOv11-seg para extraer la máscara dorsal del cerdo a partir de imágenes RGB vistas desde arriba; a partir de estas máscaras, diseñamos y extraímos 17 características fenotípicas representativas (por ejemplo, área dorsal, área del casco convexo, ejes mayor/menor, métricas de curvatura y momentos de Hu) e incluimos la altura de la cámara como entrada de calibración. Luego comparamos ocho regresores de aprendizaje automático y aprendizaje profundo para mapear características al peso corporal. El sistema de segmentación logró un mAP- = 0.995 en el conjunto de validación, y el regresor XGBoost dio el mejor rendimiento en la prueba (MAE = 3.9350 kg, RMSE = 5.2372 kg, R = 0.9814). Estos resultados indican que el método proporciona una predicción de peso precisa, de bajo costo y computacionalmente eficiente a partir de simples imágenes RGB, apoyando un monitoreo frecuente y no invasivo y un despliegue práctico en entornos de agricultura inteligente.