Introdução: Um problema crucial no cenário global é a fome mundial, que vem aumentando desde a pandemia do COVID-19. Segundo relatório The State of Food Security and Nutrition in the World 2022, os produtos da pesca e da aquicultura são de importância de base crítica para os meios de subsistência, segurança alimentar e a nutrição de bilhões de pessoas em todo o mundo; e estima-se que pelo menos 40% das capturas pesqueiras a nível mundial sejam provenientes da pesca de pequena escala. Sendo assim, há a necessidade de um maior desenvolvimento na área da aquicultura, a fim de aumentar a qualidade da produção. O processo de pesagem de alevinos grande parte das vezes é feita de forma manual, principalmente pelos pequenos e médios produtores, havendo necessidade da mão de obra de diversos profissionais. Para otimizar e aumentar a produção, o objetivo deste projeto é utilizar a tecnologia a favor da evolução da aquicultura, desenvolvendo um software para estimativa de biomassa de alevinos, de forma mais autônoma e acessível, diminuindo a necessidade de mão de obra e melhorando a qualidade do produto. Objetivos: Desenvolver um software para predição de biomassa de alevinos utilizando visão computacional para o pré-processamento de dados e algoritmos de aprendizado de máquina para o pós-processamento, utilizando das métricas R² (coeficiente de determinação) que representa o percentual da variância dos dados que é explicado pelo modelo, variando de 0 a 1; MAE (Erro absoluto médio) que mede a média da diferença entre o valor real com o predito; e MSE (Erro Quadrático Médio) que calcula a diferença elevada ao quadrado entre o valor real e predito (JÚNIOR, 2021). Procedimentos: Foi realizada a coleta de dados na Fazenda Santa Rosa, Projeto Pacu, em Terenos-MS, Brasil. Foram usados um contador de alevinos, um smartphone Huawei P20 Pro, uma balança de precisão e uma placa de Petri para gravar 410 vídeos. Após a análise, 10 vídeos foram descartados, resultando em 400 vídeos no dataset final. Os vídeos foram processados para extração de quadros a 60 FPS utilizando Python e a biblioteca OpenCV, com etapas de segmentação, remoção de oclusões, fechamento morfológico, corte da região de interesse e seleção de quadros com maior perímetro. O dataset foi dividido em 80% para treinamento e 20% para teste. Foram extraídos 31 atributos por imagem, 24 com OpenCV e 7 com CNNs, usando os modelos VGG16 e Sequential. Os dados foram processados em lotes de 32 e os atributos médios foram calculados. Cinco modelos de regressão linear foram treinados: Linear Regressor, Decision Tree Regressor, Light GBM Regressor, Random Forest Regressor e XGBoost. Resultados e Conlusões: O processo de pré-processamento dos dados via código Python obteve um resultado positivo em todos os 400 vídeos, sendo capaz de selecionar apenas um quadro por vídeo ao final e mantendo boa parte das características dos alevinos. Os algoritmos de aprendizado de máquina foram testados com diversas combinações e valores de parâmetros, a fim de chegar no melhor resultado. Assim, o algoritmo que obteve melhor resultado foi o regressor de árvore de decisão, com R² = 0.90, MAE = 1.54 e MSE = 5.85. O projeto demonstrou resultados promissores, combinando técnicas de visão computacional e aprendizado de máquina para a piscicultura. Embora os desafios ainda existam, o software tem potencial para melhorar com mais estudos e aprimoramentos. O projeto oferece benefícios sociais e econômicos, otimizando a produção nas pisciculturas e contribuindo para a segurança alimentar, especialmente em áreas onde a piscicultura é uma importante fonte de alimento e renda. A redução da dependência de mão de obra manual e a otimização do processo de pesagem resultam em menores custos de produção e maior competitividade no mercado. Palavras-chave: Tecnologia Aquícola. Automação Aquícola. Estimativa de Peso.