Este documento aborda el desafío de la segmentación de olivos utilizando imágenes de drones, lo cual es crucial para aplicaciones de agricultura de precisión. Abordamos el problema de la escasez de datos mediante la ampliación de conjuntos de datos de detección existentes. Además, se combinan variaciones de modelos ligeros de modelos de vanguardia como YOLOv8n, RepViT-SAM y EdgeSAM en dos pipelines propuestos para cumplir con las limitaciones computacionales mientras se mantiene la precisión de la segmentación. Nuestro enfoque multifacético logra con éxito un equilibrio entre el tamaño del modelo, el tiempo de inferencia y la precisión, facilitando así una segmentación eficiente de olivos en escenarios de agricultura de precisión con conjuntos de datos restringidos. Tras evaluaciones exhaustivas, YOLOv8n parece superar a los otros modelos en términos de tiempo de inferencia y precisión, aunque requiere un procedimiento de ajuste más intrincado. Por otro lado, los pipelines basados en SAM ofrecen un proceso de ajuste significativamente más simplificado, compatible con los conjuntos de datos de detección existentes para olivos. Sin embargo, esta conveniencia conlleva las desventajas de una arquitectura de inferencia más elaborada que depende de modelos duales, lo que resulta en métricas de rendimiento más bajas y tiempos de inferencia prolongados.