La segmentación de instancias precisa de plantas de cultivo individuales es crucial para lograr un análisis fenotípico de alto rendimiento de plántulas y una gestión inteligente de campos en la agricultura. Las técnicas actuales de monitoreo de cultivos que emplean teledetección se centran predominantemente en el análisis poblacional, careciendo así de estimaciones precisas para plantas individuales. Este estudio se concentra en el maíz, un cultivo básico crítico, y aprovecha los datos de teledetección multiespectral obtenidos de vehículos aéreos no tripulados (UAV). Se emplea un modelo de segmentación de imágenes SAM a gran escala para anotar de manera eficiente las instancias de plantas de maíz, construyendo así un conjunto de datos para la segmentación de instancias de plántulas de maíz. El estudio evalúa la precisión experimental de seis algoritmos de segmentación de instancias: Mask R-CNN, Cascade Mask R-CNN, PointRend, YOLOv5, Mask Scoring R-CNN y YOLOv8, utilizando varias combinaciones de bandas multiespectrales para un análisis comparativo. Los hallazgos experimentales indican que el modelo YOLOv8 exhibe una precisión de segmentación excepcional, notablemente en la banda NRG, con precisiones de bbox_mAP50 y segm_mAP50 alcanzando el 95.2% y el 94%, respectivamente, superando a otros modelos. Además, YOLOv8 demuestra un rendimiento robusto en experimentos de generalización, indicando su adaptabilidad en diversos entornos y condiciones. Adicionalmente, este estudio simula y analiza el impacto de diferentes resoluciones en la precisión de segmentación del modelo. Los hallazgos revelan que el modelo YOLOv8 mantiene una alta precisión de segmentación incluso a resoluciones reducidas (1.333 cm/px), cumpliendo con los criterios de análisis fenotípico y gestión de campos.