La segmentación de plantas es una tarea desafiante de visión por computadora debido a la complejidad de las imágenes de plantas. Para muchos problemas prácticos, tenemos que resolver tareas aún más difíciles. Necesitamos distinguir las partes de la planta en lugar de la planta completa. La principal complicación de la segmentación de múltiples partes es la ausencia de conjuntos de datos bien anotados. Anotar conjuntos de datos manualmente a nivel de partes del objeto es muy laborioso y costoso. En este artículo, proponemos utilizar el aprendizaje débilmente supervisado para la pseudo-anotación. El objetivo es entrenar un modelo de segmentación de partes de plantas utilizando solo cuadros delimitadores en lugar de máscaras de alta resolución. Revisamos los enfoques existentes de aprendizaje débilmente supervisado y proponemos un pipeline eficiente para dominios agrícolas. Está diseñado para resolver superposiciones de objetos ajustadas. Nuestro pipeline supera la solución base en un 23% para el caso de partes de plantas y en un 40% para el caso de la planta completa. Además, aplicamos aumentación a nivel de instancia para mejorar el rendimiento del modelo. La idea de este enfoque es obtener una máscara de segmentación débil y usarla para recortar objetos de imágenes originales y pegarlos en nuevos fondos durante el entrenamiento del modelo. Este método nos proporciona un aumento del 55% en mAP en comparación con la línea base en la parte del objeto y un aumento del 72% en las tareas de segmentación de la planta completa.