La segmentation des feuilles constitue la méthode la plus directe et la plus efficace pour l’analyse de données phénotypiques à haut débit et les études quantitatives des traits complexes chez les plantes. Actuellement, l’objectif principal de la phénotypie végétale est d’améliorer la précision des mesures phénotypiques autonomes. Dans ce travail, nous proposons le réseau neuronal LeafMask, un nouveau modèle end-to-end permettant de délimiter chaque région feuillue et de compter le nombre de feuilles, composé de deux éléments principaux : 1) un module d’assemblage de masques qui fusionne les bases sensibles à la position de chaque boîte prédite après suppression de non-maximum (NMS) et les coefficients correspondants afin de générer des masques initiaux ; 2) un module de raffinement de masques qui affine les contours des feuilles à partir du module d’assemblage de masques grâce à une stratégie de sélection de points et un prédicteur. En outre, nous avons conçu un nouveau module d’attention multi-échelle flexible pour la branche dual attention-guided mask (DAG-Mask), permettant d’améliorer efficacement l’expression des informations et de produire des bases plus précises. Notre contribution principale réside dans la génération de masques finaux améliorés en combinant le module d’assemblage de masques avec le module de raffinement de masques dans le cadre de la segmentation d’instances sans point d’ancrage (anchor-free). Nous validons notre modèle LeafMask à travers des expériences approfondies sur le jeu de données Leaf Segmentation Challenge (LSC). Le modèle proposé atteint un score BestDice de 90,09 %, surpassant ainsi les approches de pointe actuelles.