Entre las aplicaciones emergentes de la inteligencia artificial se encuentra la segmentación de instancias de animales, la cual ha proporcionado un medio práctico para que varios investigadores logren algún objetivo o ejecuten alguna orden. Aunque el procesamiento de video e imagen son dos de las varias tareas complejas en inteligencia artificial, estas tareas se han vuelto más complejas debido a los grandes datos y recursos necesarios para entrenar modelos de aprendizaje profundo. Sin embargo, estos desafíos están comenzando a ser superados por el método de transferencia de aprendizaje del aprendizaje profundo. En el marco de la aplicación del método de transferencia de aprendizaje, se propone en este estudio un sistema que aplica la transferencia de aprendizaje a la detección y reconocimiento de la actividad animal en un entorno agrícola típico utilizando modelos de aprendizaje profundo. Entre los modelos de aprendizaje profundo comparados, Enhanced Mask R-CNN obtuvo un tiempo de cómputo significativo de 0.2 s y resultados de 97% mAP, los cuales son mejores que los resultados obtenidos por Mask R-CNN, Faster R-CNN, SSD y YOLOv3, respectivamente. Los hallazgos de los resultados obtenidos en este estudio validan el uso innovador de la transferencia de aprendizaje para abordar desafíos en la segmentación de ganado mediante la optimización de la precisión de segmentación y el tiempo de procesamiento (0.2 s) del propuesto Enhanced Mask R-CNN.