La conducción distraída es uno de los principales factores que llevan a los conductores a ignorar posibles peligros en la carretera. En respuesta a los desafíos de alta complejidad computacional, capacidad limitada de generalización y precisión de detección subóptima en los algoritmos de detección basados en aprendizaje profundo existentes, este documento presenta un enfoque novedoso llamado StarDL-YOLO (StarNet-detectlscd-yolo), que aprovecha una versión mejorada de YOLOv8n. Inicialmente, el StarNet integrado en la columna vertebral de YOLOv8n mejora significativamente la capacidad de extracción de características del modelo con una notable reducción en la complejidad computacional. Posteriormente, se incorpora el Bloque Star en la red del cuello, formando un módulo C2f-Star que ofrece un menor costo computacional. Además, se introduce la convolución compartida en la cabeza de detección para reducir aún más la carga computacional y el tamaño de los parámetros. Finalmente, se propone la función de pérdida Wise-Focaler-MPDIoU para fortalecer la precisión de detección. Los resultados experimentales demuestran que StarDL-YOLO mejora significativamente la eficiencia de la detección del comportamiento de conducción distraída, logrando una precisión del 99.6% en el conjunto de datos de StateFarm. Además, el recuento de parámetros del modelo se reduce en un 56.4%, y su carga computacional se reduce en un 45.1%. Además, se realizan experimentos de generalización en el conjunto de datos de 100 conductores, revelando que el esquema propuesto mejora la efectividad de generalización en comparación con YOLOv8n. Por lo tanto, este algoritmo reduce significativamente la carga computacional manteniendo una alta confiabilidad y capacidad de generalización.