Mapear y monitorear los cultivos son las tareas más complejas y difíciles para los expertos que procesan y analizan imágenes de teledetección (RS). La clasificación de cultivos utilizando imágenes de RS es la tarea más costosa, y requiere un trabajo intensivo, especialmente en la fase de recolección de muestras. El trabajo de campo requiere visitas periódicas para recopilar datos sobre las características fisicoquímicas del cultivo y separarlos utilizando los algoritmos conocidos de aprendizaje automático convencional y las imágenes de teledetección. A medida que el problema se vuelve más complejo debido a la diversidad de tipos de cultivos y al aumento del tamaño del área, la recolección de muestras se vuelve más compleja e poco confiable. Para evitar estos problemas, se creó un nuevo modelo de segmentación que no requiere la recolección de muestras ni imágenes de alta resolución y puede distinguir con éxito el trigo de otros cultivos. Además, UNet es una red neuronal convolucional (CNN) bien conocida, y el método semántico se ajustó para volverse más poderoso, más rápido y utilizar menos recursos. El nuevo modelo se llamó Fast-UNet y se utilizó para mejorar la segmentación de cultivos de trigo. Fast-UNet se comparó con UNet y el modelo de segmentación semántica recientemente desarrollado por Google, DeepLabV3+. El nuevo modelo fue más rápido que los modelos comparados, y tuvo la mayor precisión promedio en comparación con UNet y DeepLabV3+, con valores de 93,45, 93,05 y 92,56 respectivamente. Finalmente, se crearon nuevos conjuntos de datos de imágenes de NDVI de series temporales y datos de referencia. Estos conjuntos de datos, y el modelo recientemente desarrollado, se pusieron a disposición del público en la web.