El análisis eficiente de grandes datos de imágenes producidos en experimentos de fenotipado de invernaderos a menudo se ve desafiado por una gran variabilidad en la apariencia óptica de las plantas y el fondo, lo que requiere métodos avanzados de modelos de clasificación y datos de verdad de campo confiables para su entrenamiento. En ausencia de herramientas computacionales adecuadas, la generación de datos de verdad de campo debe realizarse manualmente, lo que representa una tarea que consume mucho tiempo. Aquí presentamos una solución de software eficiente basada en GUI que reduce la tarea de segmentación de imágenes de plantas a la anotación manual de un pequeño número de regiones de imagen presegmentadas automáticamente utilizando el agrupamiento k-means de Eigen-colores (kmSeg). Nuestros resultados experimentales muestran que, en contraste con otras técnicas de agrupamiento supervisado, k-means permite una presegmentación computacionalmente eficiente de grandes imágenes de plantas en su resolución original. De esta manera, la segmentación binaria de imágenes de plantas en regiones de primer plano y fondo se realiza en pocos minutos con una precisión promedio del 96-99%, validada mediante una comparación directa con los datos de verdad de campo. Desarrollado principalmente para la segmentación eficiente de datos de verdad de campo y fenotipado de plantas cultivadas en invernaderos, la herramienta kmSeg se puede aplicar para el etiquetado eficiente y análisis cuantitativo de imágenes arbitrarias que presenten diferencias distintivas entre los colores de las estructuras de primer plano y fondo.