La medición precisa del peso es fundamental para monitorear el crecimiento y el bienestar del ganado. Sin embargo, el proceso tradicional de pesaje, que implica colocar físicamente al ganado en básculas, es laborioso y estresante para los animales. Por lo tanto, el desarrollo de técnicas automatizadas de predicción de peso del ganado asume una importancia crítica. Este estudio propone un enfoque de predicción de peso para el ganado coreano utilizando la extracción de características basada en segmentación 3D y técnicas de aprendizaje automático de regresión a partir de formas 3D incompletas adquiridas de entornos reales de granja. En primer lugar, generamos datos de malla de formas 3D de ganado coreano utilizando un sistema de múltiples cámaras. Posteriormente, se empleó la segmentación 3D basada en aprendizaje profundo con el modelo de red PointNet para segmentar los datos de malla 3D en dos partes dominantes: torso y cuerpo central. A partir de estas partes segmentadas, se extrajeron la longitud del cuerpo, el perímetro torácico y el ancho del pecho del ganado coreano. Finalmente, implementamos cinco modelos de aprendizaje automático de regresión (regresión CatBoost, LightGBM, regresión polinómica, regresión de bosque aleatorio y regresión XGBoost) para la predicción del peso. Para validar nuestro enfoque, capturamos 270 ejemplares de ganado coreano en varias poses, totalizando 1190 poses de 270 ejemplares. El mejor resultado se logró con un error absoluto medio (MAE) de 25.2 kg y un error porcentual absoluto medio (MAPE) del 5.85% utilizando el modelo de regresión de bosque aleatorio.