Con el desarrollo adicional de las redes neuronales, las técnicas de segmentación automática para el melanoma están volviéndose cada vez más maduras, especialmente bajo condiciones de abundantes recursos de hardware. Esto permite mejorar la precisión de la segmentación al aumentar la complejidad y la capacidad computacional del modelo. Sin embargo, surge un nuevo problema cuando se trata de aplicaciones reales, ya que puede que no haya disponible hardware de alta gama, especialmente en hospitales y entre el público en general, que puede tener recursos informáticos limitados. En respuesta a esta situación, este artículo propone una red ligera de aprendizaje profundo que puede lograr una alta precisión de segmentación con un consumo mínimo de recursos. Presentamos una red llamada DTONet (red de octava de doble cola), que fue diseñada específicamente para este propósito. Su recuento de parámetros computacionales es solo de 30,859, que es 1/256 parte del modelo UNet principal. A pesar de su complejidad reducida, DTONet demuestra un rendimiento superior en términos de precisión, con una mejora de IOU sobre otros modelos similares. Para validar la capacidad de generalización de este modelo, realizamos pruebas en el conjunto de datos PH2, y los resultados superaron a los modelos existentes. Por lo tanto, la red propuesta DTONet exhibe una excelente capacidad de generalización y es lo suficientemente destacada.