La existencia de los humanos y la preservación del equilibrio ecológico natural dependen en gran medida de los árboles. La segmentación semántica de los árboles es muy importante. Es crucial aprender a extraer de manera adecuada y automática los elementos de un árbol a partir de imágenes fotográficas. Los problemas con la segmentación de imágenes de árboles tradicional incluyen baja precisión, una tasa de aprendizaje lenta y una gran cantidad de intervención manual. Esta investigación sugiere el uso de una técnica de segmentación de red bien conocida basada en aprendizaje profundo llamada Yolo v7 para lograr con éxito la segmentación precisa de imágenes de árboles. Debido al desequilibrio de clases en el conjunto de datos, utilizamos una función de pérdida ponderada y aplicamos varios tipos de pesos a cada clase para mejorar la segmentación de los árboles. Además, utilizamos un método de atención para recopilar eficientemente datos de características mientras se reduce la producción de datos de características irrelevantes. Según los hallazgos experimentales, el índice de evaluación del algoritmo del modelo revisado supera a otras técnicas de segmentación semántica ampliamente utilizadas. Además, la velocidad de detección del modelo Yolo v7 es mucho más rápida que otros algoritmos y se desempeña bien en la segmentación de árboles en una variedad de entornos, demostrando la efectividad de este método para mejorar el rendimiento de segmentación del modelo para árboles en entornos complejos y proporcionando una solución más efectiva al problema de segmentación de árboles.