Esta investigación propone un algoritmo de detección de rostros llamado LighterFace, que tiene como objetivo mejorar la velocidad de detección para satisfacer las demandas de aplicaciones comunitarias en tiempo real. Se combinan dos redes neuronales convolucionales preentrenadas, a saber, Cross Stage Partial Network (CSPNet) y ShuffleNetv2. Conectar la red optimizada con el Mecanismo de Atención Global (GAMAttention) extiende el modelo para compensar la pérdida de precisión causada por la optimización de la estructura de la red. Además, la tasa de aprendizaje del modelo de detección se actualiza dinámicamente utilizando el método de recocido coseno, lo que mejora la velocidad de convergencia del modelo durante el entrenamiento. Este documento analiza el entrenamiento del modelo LighterFace en el conjunto de datos WiderFace y un conjunto de datos comunitario personalizado, con el objetivo de clasificar rostros en entornos comunitarios de la vida real. En comparación con el modelo principal YOLOv5, LighterFace demuestra una reducción significativa en las demandas computacionales del 85.4% mientras logra un aumento del 66.3% en la velocidad de detección y alcanza una precisión del 90.6% en la detección de rostros. Vale la pena señalar que LighterFace genera imágenes de rostros recortadas de alta calidad, proporcionando entradas valiosas para modelos de reconocimiento facial posteriores como DeepID. Además, el modelo LighterFace está diseñado específicamente para ejecutarse en dispositivos de borde con capacidades computacionales más bajas. Su rendimiento en tiempo real en una Raspberry Pi 3B+ valida los resultados.