Debido a la exposición a largo plazo al medio ambiente, los aislantes son propensos a varios defectos que afectan el funcionamiento seguro del sistema eléctrico. En los últimos años, la combinación de drones y aprendizaje profundo ha proporcionado una solución más inteligente para la inspección automática de defectos en aislantes. La ubicación de los aislantes es un paso previo importante para la detección de defectos, y la precisión de la ubicación de los aislantes afecta en gran medida la detección de defectos. Sin embargo, los detectores horizontales tradicionales pierden información direccional y es difícil localizar con precisión los aislantes inclinados. Aunque los detectores orientados pueden predecir cajas de detección con ángulos de rotación para resolver este problema, estos modelos son complejos y difíciles de aplicar a dispositivos de borde con potencia de cálculo limitada. Esto limita en gran medida la aplicación práctica de los métodos de aprendizaje profundo en la detección de aislantes. Para abordar estos problemas, propusimos un detector orientado de aislantes ligero. Primero, diseñamos una red de pirámide de características de aislantes ligera (LIFPN). Puede fusionar características de manera más eficiente mientras reduce el número de parámetros. En segundo lugar, diseñamos una cabeza de detección orientada de aislantes más ligera (LIHead). Tiene menos complejidad computacional y puede predecir cajas de detección rotadas. En tercer lugar, desplegamos el detector en dispositivos de borde y mejoramos aún más su velocidad de inferencia a través de TensorRT. Finalmente, una serie de experimentos demostraron que nuestro método podría reducir la complejidad computacional del detector en aproximadamente 49 G y el número de parámetros en aproximadamente 30 M, asegurando casi ninguna disminución en la precisión de detección. Puede ser fácilmente desplegado en dispositivos de borde y lograr una velocidad de detección de 41.89 fotogramas por segundo (FPS).