La retinopatía diabética (RD) es la principal causa de ceguera en países en desarrollo y desarrollados. La detección de la RD en etapa temprana reduce el riesgo de ceguera en pacientes con Diabetes Mellitus (DM). Ha habido un aumento significativo en la prevalencia de la DM en los últimos años, especialmente en países de ingresos bajos y medios. En este contexto, el cribado automatizado basado en inteligencia artificial de la DM es una herramienta crucial para ayudar a clasificar la considerable cantidad de Imágenes de Fondo de Ojo (IFO) retinianas. Sin embargo, la evaluación de la calidad de la imagen retiniana se ha demostrado fundamental en los procesos de cribado de la RD en el mundo real para evitar datos fuera de distribución, deriva e imágenes que carecen de información anatómica relevante. Este trabajo analiza las características del dominio espacial y las métricas de evaluación de la calidad de la imagen para llevar a cabo la clasificación de Aprendizaje Profundo (DL) y detectar características notables en IFO. Además, se propone una nueva red neuronal convolucional ligera específicamente para la clasificación binaria a un bajo costo computacional. Los resultados del entrenamiento son comparables a las redes neuronales de última generación, que se utilizan ampliamente en aplicaciones de DL. La arquitectura implementada logra un área bajo la curva del 98,6%, y una sensibilidad y especificidad del 97,66% y 98,33%, respectivamente. Además, el modelo de detección de objetos entrenado logra una precisión media del 94,5%. Además, el enfoque propuesto se puede integrar en cualquier sistema de análisis automatizado de IFO.