La detección de árboles individuales es esencial en las encuestas de recursos forestales. La extracción eficiente, precisa y rápida de árboles individuales facilita la adquisición oportuna de información sobre recursos forestales. Las encuestas tradicionales de árboles dependen de mediciones manuales en el campo, que son limitadas en cobertura, costosas y que consumen mucho tiempo. Para abordar estos problemas, este estudio utiliza imágenes multiespectrales capturadas por vehículos aéreos no tripulados (VANT) como base de datos y aplica métodos de aprendizaje profundo para la segmentación de especies de árboles en el área de estudio. Un modelo ECA-Unet mejorado, derivado de la arquitectura U-net, integra un mecanismo de atención de canal en el Decodificador para aumentar la precisión y exactitud del modelo en la segmentación de árboles basada en VANT a pequeña escala, alcanzando una precisión general del 85.87%. El rendimiento del modelo sugerido se comparó con el de modelos de segmentación semántica convencionales dentro de la misma región de estudio. En comparación con el modelo U-net original, el modelo de este estudio mejoró el mAP y la precisión en un 2.1% y un 1.23%, respectivamente, en términos de precisión de segmentación de especies de árboles. En comparación con el método tradicional de segmentación de copas de árboles semi-automático, el modelo de este documento puede generar resultados de segmentación de árboles individuales en el bosque de manera más rápida y efectiva. Los hallazgos indican que la técnica propuesta ofrece una precisión y rendimiento óptimos en la segmentación de árboles individuales dentro del conjunto de datos, facilitando la diferenciación rápida y exacta de árboles en entornos boscosos utilizando datos de muestra limitados.