Identificar la orientación fetal es esencial para determinar el modo de parto y la planificación de secuencias en resonancia magnética fetal (RM). Este manuscrito describe un algoritmo de aprendizaje profundo llamado Fet-Net, compuesto por redes neuronales convolucionales (CNN), que permite la detección automática de la orientación fetal a partir de una imagen de resonancia magnética bidimensional (2D). La arquitectura consta de cuatro capas convolucionales, que alimentan a una red neuronal artificial simple. En comparación con once otras CNN prominentes (diferentes versiones de ResNet, VGG, Xception e Inception), Fet-Net tiene menos capas arquitectónicas y parámetros. De 144 conjuntos de datos de RM 3D indicativos de las orientaciones fetales vértice, podálica, oblicua y transversal, se extrajeron 6120 cortes de RM 2D para entrenar, validar y probar Fet-Net. A pesar de su arquitectura más simple, Fet-Net demostró una precisión promedio y una puntuación F1 del 97,68% y una pérdida de 0,06828 en los 6120 cortes de RM 2D durante un experimento de validación cruzada de 5 pliegues. Esta arquitectura superó a las once arquitecturas prominentes (<0,05). Un estudio de ablación demostró la importancia estadística de cada componente y su contribución al rendimiento de Fet-Net. Fet-Net demostró robustez en la precisión de clasificación incluso cuando se introdujo ruido en las imágenes, superando a ocho de las 11 arquitecturas prominentes. La capacidad de Fet-Net para detectar automáticamente la orientación fetal puede disminuir profundamente el tiempo requerido para la adquisición de RM fetal.