Las redes de aprendizaje profundo pueden requerir reentrenamiento para diferentes conjuntos de datos, consumiendo un tiempo significativo de etiquetado manual y entrenamiento. El aprendizaje por transferencia utiliza pocos datos nuevos y tiempo de entrenamiento para permitir la segmentación de redes preentrenadas en escenarios relevantes (por ejemplo, diferentes imágenes de vegetación en temporadas de lluvia y sequía); sin embargo, los métodos existentes de aprendizaje por transferencia carecen de sistematicidad y controlabilidad. Por lo tanto, se propuso un método MTPI (Método del Índice de Potencial de Transferencia Máxima) para encontrar las condiciones óptimas en la cantidad de datos y características para el aprendizaje por transferencia (condiciones MTPI) en este estudio. Las cuatro redes profundas preentrenadas (Seg-Net (Redes de Segmentación Semántica), FCN (Redes Convolucionales Completas), Mobile net v2 y Res-Net 50 (Red Residual)) utilizando el conjunto de datos de la temporada de lluvia mostraron que Res-Net 50 tuvo la mejor precisión con un 93.58% y un WIoU (Intersección Ponderada sobre Unión) de 88.14%, siendo la más adecuada para la transferencia de entrenamiento en segmentación de vegetación. Al obtener el rendimiento TPI (Índice de Potencial de Transferencia) de cada capa de la Res-Net 50 preentrenada, los resultados del método MTPI muestran que el 1000-TDS y 37-TP se estimaron como la mejor velocidad de entrenamiento con el conjunto de datos más pequeño y un pequeño riesgo de error. Los resultados del aprendizaje por transferencia MTPI muestran una precisión del 91.56% y un WIoU del 84.86% con una reducción del 90% en el nuevo conjunto de datos y una reducción del 90% en las iteraciones, lo que es informativo para redes profundas en tareas de segmentación entre escenas de vegetación complejas.