La anotación manual de imágenes de lechones en diversos entornos agrícolas es intensiva en mano de obra. Para abordar esto, proponemos un enfoque semi-automático dentro de un marco de aprendizaje activo que integra un modelo de preanotación para la detección de lechones. Además, examinamos cómo la composición de la muestra de datos influye en la eficiencia de la preanotación para mejorar la implementación de modelos de detección de lechones lactantes. Nuestro estudio utiliza muestras originales de granjas de cerdos en Jingjiang, Suqian y Sheyang, junto con nuevos datos de la granja de cerdos Yinguang en Danyang. Utilizando el marco YOLOv5, construimos conjuntos de entrenamiento de imágenes de lechones individuales y mixtas, evaluamos su rendimiento y seleccionamos el modelo de preanotación óptimo. Este modelo generó coordenadas de cuadro delimitador en muestras nuevas procesadas, que posteriormente se refinaron manualmente para entrenar el modelo final. Los resultados indican que expandir el conjunto de datos y diversificar las escenas de corrales de cerdos mejora significativamente el rendimiento de la preanotación. El mejor modelo logró una precisión de prueba de 0.921 en nuevas muestras, y después de la calibración manual, el modelo final mostró una precisión de entrenamiento de 0.968, una recuperación de 0.952 y una precisión promedio de 0.979 en el umbral de IoU de 0.5. El modelo demostró una detección robusta bajo diversas condiciones de iluminación, con cuadros delimitadores que se ajustan estrechamente a los contornos de los lechones, reduciendo sustancialmente el trabajo manual. Este enfoque es rentable para tareas de segmentación de lechones y ofrece un sólido apoyo para el avance de las tecnologías agrícolas inteligentes.