Pengukuran diameter kanopi kelapa sawit digunakan untuk menggambarkan pertumbuhan vegetatif tanaman, tetapi pengukuran manual pada areal luas masih menghadapi kendala efisiensi, kebutuhan tenaga kerja, biaya, dan konsistensi hasil. Penelitian ini bertujuan memperoleh citra udara, mengembangkan model Mask R-CNN untuk identifikasi dan pengukuran diameter kanopi, serta memverifikasi hasil model terhadap pengukuran lapangan. Data yang digunakan berupa orthophoto RGB hasil perekaman drone pada Blok ISO 074 dan ISO 075. Model dibangun dengan arsitektur Mask R-CNN ber-backbone ResNet-50 melalui pendekatan transfer learning, menggunakan 222 sampel berlabel dan 50 epoch pelatihan. Evaluasi dilakukan dengan metrik precision, recall, F1-score, overall accuracy, uji t berpasangan, Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE). Hasil menunjukkan model mampu mendeteksi kanopi kelapa sawit dengan recall 99,56% pada Blok ISO 074 dan 99,86% pada Blok ISO 075. Pada verifikasi diameter kanopi di Blok ISO 075, rata-rata hasil model sebesar 7,641 m, sedangkan pengukuran manual sebesar 9,455 m, dengan MAE 1,8 dan MAPE 19%, serta menunjukkan perbedaan yang signifikan secara statistik. Model Mask R-CNN dapat digunakan untuk inventarisasi kanopi kelapa sawit secara otomatis, meskipun estimasi diameter masih memerlukan kalibrasi lanjutan.