La segmentación semántica y la segmentación de instancias basadas en aprendizaje profundo juegan un papel significativo en la agricultura inteligente de cabras lecheras. Sin embargo, estos algoritmos requieren una gran cantidad de anotaciones de imágenes de cabras lecheras a nivel de píxel para el entrenamiento del modelo. En la actualidad, los usuarios utilizan principalmente Labelme para la anotación a nivel de píxel de imágenes, lo que hace que sea bastante ineficiente y que consuma mucho tiempo obtener un resultado de anotación de alta calidad. Para reducir la carga de trabajo de anotación de imágenes de cabras lecheras, proponemos un nuevo modelo de segmentación interactivo llamado UA-MHFF-DeepLabv3+, que emplea fusión de características de múltiples cabezales (MHFF) capa por capa y atención de sobremuestreo (UA) para mejorar la precisión de segmentación de DeepLabv3+ en los bordes de los objetos y objetos pequeños. Los resultados experimentales muestran que nuestro modelo propuesto logró una precisión de segmentación de vanguardia en el conjunto de validación de DGImgs en comparación con cuatro modelos de segmentación interactiva de vanguardia anteriores, y obtuvo 1.87 y 4.11 en mNoC@85 y mNoC@90, que son significativamente más bajos que el mejor rendimiento de los modelos anteriores de 3 y 5. Además, para promover la implementación de nuestro algoritmo propuesto, diseñamos y desarrollamos un sistema de anotación de imágenes de cabras lecheras llamado DGAnnotation para la anotación a nivel de píxel de imágenes de cabras lecheras. Después de la prueba, encontramos que solo se tarda 7.12 s en anotar una instancia de cabra lechera con nuestro DGAnnotation desarrollado, lo que es cinco veces más rápido que Labelme.