En el campo en constante evolución de la autenticación biométrica, el aprendizaje profundo se ha convertido en una tecnología fundamental para las tareas de detección y reconocimiento facial. Sin embargo, los optimizadores tradicionales a menudo luchan con desafíos como el sobreajuste, la convergencia lenta y la generalización limitada en diversos conjuntos de datos. Para abordar estos problemas, este documento presenta NestYogi, un nuevo algoritmo de optimización híbrido que integra las capacidades de aprendizaje adaptativo del optimizador Yogi, las actualizaciones anticipadas del momento de Nesterov y el poder de generalización del promedio estocástico de pesos (SWA). Esta combinación mejora significativamente tanto la tasa de convergencia como la precisión general de las redes neuronales profundas, incluso cuando se entrenan desde cero. Se emplearon técnicas extensas de aumento de datos, incluido ruido y desenfoque, para garantizar la robustez del modelo en diversas condiciones. NestYogi fue evaluado rigurosamente en dos conjuntos de datos de referencia: Labeled Faces in the Wild (LFW) y YouTube Faces (YTF), demostrando un rendimiento superior con una precisión de detección de hasta el 98% y una precisión de reconocimiento de hasta el 98.6%, superando las estrategias de optimización existentes. Estos resultados enfatizan el potencial de NestYogi para superar desafíos críticos en la detección y reconocimiento facial, ofreciendo una solución robusta para lograr un rendimiento de vanguardia en aplicaciones del mundo real.