La segmentación de la piel implica segmentar la región de la piel humana en una imagen. Es una técnica de preprocesamiento utilizada principalmente en muchas aplicaciones como detección facial, reconocimiento de gestos de mano y mediciones remotas de biosignales. Dado que el rendimiento de la segmentación de la piel afecta directamente el rendimiento de estas aplicaciones, se han estudiado métodos precisos de segmentación de la piel. Sin embargo, los métodos de segmentación de la piel anteriores no son adecuados para entornos del mundo real porque dependen en gran medida de la información de color. Además, los métodos de segmentación de la piel basados en aprendizaje profundo incurren en altos costos computacionales, a pesar de que la segmentación de la piel se utiliza principalmente para el preprocesamiento. Este estudio propone un modelo de segmentación de piel ligero con un alto rendimiento. Además, utilizamos técnicas de aumento de datos que modifican el tono, la saturación y los valores, lo que permite que el modelo aprenda mejor la información de textura o contexto sin depender de la información de color. Nuestro modelo propuesto requiere 1.09M parámetros y 5.04 giga multiplicaciones-acumulaciones. A través de experimentos, demostramos que nuestro modelo propuesto muestra un alto rendimiento con un F-score de 0.9492 y un rendimiento consistente incluso para imágenes modificadas. Además, nuestro modelo propuesto mostró una velocidad de procesamiento rápida de aproximadamente 68 fps, basada en imágenes de 3 x 512 x 512 y una tarjeta gráfica NVIDIA RTX 2080TI GPU (11GB VRAM).