El presente estudio propone una técnica para la detección y segmentación automatizada de copas de árboles en imágenes digitales derivadas de vehículos aéreos no tripulados (VANT) utilizando un algoritmo de aprendizaje automático (ML) llamado Detectron2. La técnica, que fue desarrollada en el lenguaje de programación python, recibe como entrada imágenes con información de los límites de los objetos. Después de entrenarse con conjuntos de datos, es capaz de establecer sus propios límites de objetos. En el presente estudio, el algoritmo fue entrenado para la detección y segmentación de copas de árboles. El banco de pruebas consistió en imágenes de VANT de un campo agrícola de árboles de mandarina en la ciudad de Palermo en Sicilia, Italia. La salida del algoritmo fue el límite preciso de cada árbol. La salida del algoritmo desarrollado se comparó con los resultados de la segmentación de límites de árboles generados por el clasificador supervisado de Máquinas de Vectores de Soporte (SVM), que ha demostrado ser un método de segmentación de objetos muy prometedor. Los resultados de los dos métodos se compararon con el método más preciso pero que consume más tiempo, la digitalización directa. Para fines de evaluación de precisión, se estimaron la eficiencia del área detectada, la tasa de área omitida y la tasa de área falsa para ambos métodos. Los resultados mostraron que el algoritmo Detectron2 es más eficiente en la segmentación de los datos relevantes en comparación con el modelo SVM en dos de los tres índices. Específicamente, el algoritmo Detectron2 exhibió una tasa de fidelidad del 0.959% y del 0.041% en la tasa de área detectada y omitida, respectivamente, en comparación con el método de digitalización. El SVM exhibió 0.902% y 0.097%, respectivamente. Por otro lado, la clasificación SVM generó mejores resultados de área falsa detectada, con una precisión del 0.035%, en comparación con el 0.056% del algoritmo Detectron2. Con una estimación precisa de los límites de los árboles del algoritmo Detectron2, la evaluación de la salud de los árboles se evaluó al final. Para que esto sucediera, se produjeron tres índices de vegetación diferentes (NDVI, GLI y VARI). Todos esos índices mostraron la salud de los árboles como promedio. En resumen, los resultados demostraron la capacidad de la técnica para detectar y segmentar árboles a partir de imágenes de VANT.