Las redes neuronales profundas (DNN) han contribuido a una mejora significativa en el rendimiento de la detección de rostros. Sin embargo, dado que la mayoría de los modelos se centran únicamente en la mejora de la precisión de detección con estructuras computacionalmente costosas, aún está lejos de las aplicaciones en tiempo real con un detector de rostros rápido. El objetivo de este documento es mejorar el rendimiento de la detección de rostros desde el punto de vista de la velocidad. Con este fin, proponemos un novedoso Detector de Rostros Rápido y Preciso (FAFD) para lograr un alto rendimiento tanto en velocidad como en precisión. Específicamente, basándonos en el modelo YOLOv5, añadimos una cabeza de predicción para aumentar el rendimiento de detección, especialmente para rostros pequeños. Además, para aumentar el rendimiento de detección de rostros a varias escalas, proponemos añadir una capa de Fusión de Imágenes a Múltiples Escalas (MSIF) al red principal. También proponemos una mejora en la técnica de Copiar-Pegar para aumentar las imágenes de entrenamiento con objetos faciales en diversas escalas. Los resultados experimentales en el conjunto de datos WiderFace muestran que el FAFD propuesto logra el mejor rendimiento entre los métodos existentes en el grupo de Enfoque en Velocidad. En tres subconjuntos de WiderFace (es decir, subconjuntos Fácil, Medio y Difícil), nuestro FAFD alcanza precisiones promedio (AP) del 95,0%, 93,5% y 87,0%, respectivamente. Además, el rendimiento en velocidad del FAFD es lo suficientemente rápido como para ser incluido en el grupo de métodos centrados en la velocidad.