La localización es una preocupación principal para las redes de sensores inalámbricos, ya que numerosas aplicaciones dependen de la posición precisa de los nodos. Este documento presenta un enfoque preciso de aprendizaje profundo (DL) para la localización DV-Hop en Internet de las cosas (IoT) utilizando el algoritmo de optimización de ballenas (WOA) para mitigar las deficiencias del DV-Hop tradicional. Nuestro método aprovecha una red neuronal profunda (DNN) para estimar distancias entre nodos indeterminados (nodos no coordinados) y nodos ancla (nodos coordinados) sin imponer costos excesivos en la infraestructura de IoT. Mientras que las técnicas de DL requieren una gran cantidad de datos de entrenamiento para precisión, abordamos este desafío introduciendo una estrategia de aumento de datos (DAS). El algoritmo propuesto implica la creación de anclas virtuales estratégicamente alrededor de anclas reales, generando así datos de entrenamiento adicionales y mejorando significativamente el tamaño del conjunto de datos, lo que mejora la eficacia de las DNN. Los hallazgos de la simulación sugieren que el modelo propuesto de aprendizaje profundo en la localización DV-Hop supera a otros métodos de localización, especialmente en cuanto a precisión posicional.