La etapa de plántula de tabaco es un período crucial para el cultivo de tabaco. Extraer con precisión las plántulas de tabaco de imágenes satelitales puede ayudar eficazmente a los agricultores en la replantación, la fertilización precisa y la estimación posterior del rendimiento. Sin embargo, en áreas montañosas kársticas complejas, es extremadamente difícil segmentar con precisión las plantas de tabaco debido a una variedad de factores, como la topografía, el entorno de cultivo y las dificultades para obtener datos de imágenes de alta resolución. Por lo tanto, este estudio explora un modelo de segmentación preciso para detectar plántulas de tabaco a partir de imágenes RGB de UAV en diversas particiones geomórficas, incluidas áreas de represa y montañosas. Se explora una familia de redes de segmentación de plántulas de plantas de tabaco, a saber, U-Net, U-Net++, Linknet, PSPNet, MAnet, FPN, PAN y DeepLabV3+, utilizando el Conjunto de Datos de Plántulas de Tabaco de Hill (HSTD), el Conjunto de Datos de Plántulas de Tabaco de Área de Represa (DASTD) y el Conjunto de Datos de Plántulas de Tabaco de Área de Represa Montañosa (H-DASTD) para el entrenamiento del modelo. Para validar el rendimiento de los modelos de segmentación semántica para la segmentación de cultivos en los complejos entornos de cultivo de áreas montañosas kársticas, este estudio compara y analiza los resultados predichos con los valores verdaderos etiquetados manualmente. Los resultados muestran que: (1) la precisión de los modelos en la segmentación de plantas de plántulas de tabaco en el área de represa es mucho mayor que en el área montañosa, con los valores medios de mIoU, PA, Precisión, Recall y el Coeficiente Kappa alcanzando 87%, 97%, 91%, 85% y 0.81 en el área de represa y 81%, 97%, 72%, 73% y 0.73 en el área montañosa, respectivamente; (2) Las precisiones de segmentación de los modelos difieren significativamente entre las diferentes zonas geomorfológicas; los resultados de segmentación de U-Net son óptimos para el área de represa, con valores más altos de mIoU (93.83%), PA (98.83%), Precisión (93.27%), Recall (96.24%) y el Coeficiente Kappa (0.9440) que los de los otros modelos; en el área montañosa, el rendimiento de segmentación de U-Net++ es mejor que el de los otros modelos, con mIoU y PA de 84.17% y 98.56%, respectivamente; (3) La diversidad de muestras de plántulas de tabaco afecta la precisión de segmentación del modelo, como lo muestra el Coeficiente Kappa, con H-DASTD (0.901) > DASTD (0.885) > HSTD (0.726); (4) En cuanto a los factores que afectan la segregación fallida, aunque los factores que afectan el área de represa y el área montañosa son diferentes, los principales factores son las pequeñas plantas de tabaco (STPs) y las malas hierbas para ambas áreas. Este estudio muestra que la segmentación precisa de plántulas de plantas de tabaco en áreas de represa y montañosas basada en imágenes RGB de UAV y modelos de segmentación semántica se puede lograr, proporcionando así nuevas ideas y apoyo técnico para la segmentación precisa de cultivos en áreas montañosas kársticas.