Nuestro trabajo anterior presentó los modelos LW-YOLOv4-tiny y LW-ResNet18 reemplazando la convolución tradicional con Ghost Conv para lograr una detección rápida de objetos y una predicción del ángulo de dirección, respectivamente. Sin embargo, todo el proceso de detección de objetos y predicción del ángulo de dirección ha encontrado un problema de límite de velocidad. Por lo tanto, este estudio tiene como objetivo acelerar significativamente la detección de objetos y la predicción del ángulo de dirección simultáneamente. Este artículo propone el enfoque GhostBottleneck para acelerar la velocidad de extracción de características y añadir el método SElayer para mantener la precisión existente de la detección de objetos, lo que construye un modelo mejorado de detección de objetos abreviado como LWGSE-YOLOv4-tiny. Además, este artículo también realizó una convolución separable en profundidad para simplificar la Ghost Conv como convolución separable en profundidad y fantasma, lo que construye un modelo mejorado de predicción del ángulo de dirección abreviado como LWDSG-ResNet18 que puede acelerar considerablemente la predicción y aumentar ligeramente la precisión de reconocimiento de imágenes. En comparación con nuestro trabajo anterior, el enfoque propuesto muestra que el módulo GhostBottleneck puede aumentar significativamente la velocidad de extracción de características en un 9.98%, y SElayer puede mejorar ligeramente la precisión de la detección de objetos en un 0.41%. Además, la convolución separable en profundidad y la convolución fantasma pueden aumentar considerablemente la velocidad de predicción en un 20.55% y aumentar la precisión de reconocimiento de imágenes en un 2.05%.