Más del 60 por ciento de la superficie global está cubierta por nubes, y juegan un papel vital en el ciclo hidrológico, el cambio climático y los presupuestos de radiación al modificar las ondas cortas y largas. Los informes de pronóstico del tiempo son críticos para áreas como el transporte aéreo y marítimo, la energía, la agricultura y el medio ambiente. Ha llegado el momento de que los dispositivos impulsados por inteligencia artificial reemplacen el método actual mediante el cual los expertos en toma de decisiones determinan los tipos de nubes. Los modelos de redes neuronales convolucionales (CNN) están comenzando a ser utilizados para identificar los tipos de nubes que son causadas por fenómenos meteorológicos. Este estudio utiliza el conjunto de datos Cirrus Cumulus Stratus Nimbus (CCSN) disponible públicamente, que consta de 2543 imágenes de nubes tomadas desde el suelo en total. Proponemos un modelo llamado Cloud-MobiNet para la clasificación de nubes basadas en el suelo. El modelo es una red neuronal convolucional abreviada basada en MobileNet. La arquitectura de Cloud-MobiNet se divide en dos bloques, a saber, el bloque de construcción de MobileNet y el bloque de soporte MobileNet (bloque SM). El bloque de construcción de MobileNet consiste en los pesos de las convoluciones separables por profundidad y las convoluciones separables por punto del modelo MobileNet. El bloque SM está compuesto por tres capas de red densa para la extracción de características. Esto hace que el modelo Cloud-MobiNet sea muy ligero para ser implementado en un teléfono inteligente. Se obtuvo una tasa de éxito de precisión general del 97.45% para el conjunto de datos CCSN utilizado para la clasificación de tipos de nubes. Cloud-MobiNet promete ser un modelo significativo a corto plazo, ya que se anticipa que la clasificación automatizada de nubes basadas en el suelo sea un medio preferido de observación de nubes, no solo en el análisis y pronóstico meteorológico, sino también en las industrias aeronáutica y de aviación.