Medir el peso durante el crecimiento del ganado es esencial para determinar su estado y ajustar la cantidad de alimento. El ganado debe ser pesado en una balanza, lo cual es laborioso y estresante y podría obstaculizar el crecimiento. Por lo tanto, predecir automáticamente el peso del ganado podría reducir el estrés en el ganado y en los trabajadores agrícolas. Este estudio propone un sistema de predicción para medir el cambio de peso automáticamente durante el crecimiento utilizando tres modelos de regresión, utilizando factores ambientales, consumo de alimento y peso durante el período. Los principios de inferencia bayesiana y estimación de verosimilitud estiman los parámetros que determinan los modelos: el modelo de regresión ponderado (WRM), el modelo de regresión de proceso gaussiano (GPRM) y el modelo de panel de proceso gaussiano (GPPM). Se derivó una distribución posterior utilizando estos parámetros y se implementó un sistema de predicción de peso. Se realizó un experimento utilizando datos de imagen para evaluar el rendimiento del modelo. El GPRM con el núcleo exponencial cuadrado tuvo la mejor capacidad predictiva. A continuación, los GPRM con núcleos polinómicos y cuadráticos racionales, el modelo lineal y el WRM tuvieron la siguiente mejor capacidad predictiva. Finalmente, el GPRM con el núcleo lineal, el modelo lineal y el modelo de curva de crecimiento latente, y los tipos de GPPM tuvieron la siguiente mejor capacidad predictiva. El GPRM y el WRM son modelos de probabilidad estadística que aplican predicciones a toda la población de ganado. Se espera que estos modelos sean útiles para predecir el crecimiento del ganado en las granjas a nivel de población. Sin embargo, el GPPM es un modelo de probabilidad estadística diseñado para medir el peso de ganado individual. Se anticipa que este modelo será más eficiente al predecir el peso de ganado individual en las granjas.