Estimar con precisión el peso del músculo pectoral de los pollos de engorde es importante para la producción avícola. Sin embargo, los métodos existentes relacionados están plagados de procesos engorrosos y una automatización limitada. Para abordar estos problemas, este estudio propuso un método eficiente para predecir el peso del músculo pectoral de los pollos de engorde. Primero, debido a que los modelos de aprendizaje profundo existentes luchan por encontrar un equilibrio entre la precisión y el consumo de memoria, este estudio diseñó una red de segmentación de fusión de mejora de atención multietapa (MAEFNet) para adquirir automáticamente imágenes de máscara del músculo pectoral a partir de imágenes de rayos X. MAEFNet emplea el MobileNetV3 podado como el codificador para capturar eficientemente características y adopta un nuevo decodificador para mejorar y fusionar las características efectivas en varias etapas. A continuación, las características de forma seleccionadas se extrajeron automáticamente de las imágenes de máscara. Finalmente, estas características, incluido el peso vivo, se ingresaron al modelo SVR (Regresión de Vectores de Soporte) para predecir el peso del músculo pectoral. MAEFNet logró la mayor intersección sobre unión (96.35%) con el menor número de parámetros (1.51 M) en comparación con los otros modelos de segmentación. El modelo SVR tuvo el mejor rendimiento (R = 0.8810) en comparación con los otros modelos de predicción en la validación cruzada de cinco pliegues. Los hallazgos de la investigación pueden aplicarse a la producción y cría de pollos de engorde, reduciendo los costos de medición y mejorando la eficiencia de la cría.