El desarrollo de robots para la poda automática de viñedos utilizando técnicas de aprendizaje profundo parece factible a medio plazo. En este contexto, es esencial proponer y estudiar soluciones que puedan implementarse en hardware portátil, con capacidades de inteligencia artificial pero potencia de cálculo reducida. En este documento, proponemos un enfoque novedoso para la poda de viñedos mediante la detección directa de áreas de corte en tiempo real comparando el rendimiento de Mask R-CNN y YOLOv8. Las arquitecturas de segmentación de objetos estudiadas son capaces de segmentar la imagen localizando el tronco, los brotes de vid podados y no podados. Nuestro estudio analiza el rendimiento de ambos marcos en términos de eficiencia de segmentación y tiempos de inferencia en una GPU Jetson AGX Orin. Para comparar la eficiencia de segmentación, utilizamos las métricas mAP50 y AP50 por categoría. Nuestros resultados muestran que YOLOv8 es superior tanto en eficiencia de segmentación como en tiempo de inferencia. Específicamente, YOLOv8-S muestra el mejor equilibrio entre eficiencia y tiempo de inferencia, mostrando un mAP50 de 0.883 y un AP50 de 0.748 para la clase de brotes, con un tiempo de inferencia de alrededor de 55 ms en un Jetson AGX Orin.