Este estudio se centra en entrenar una red neuronal convolucional (CNN) pequeña y personalizada utilizando un conjunto de datos limitado a través de la augmentación de datos, con el objetivo de desarrollar pesos para un ajuste fino posterior en defectos específicos, a saber, superficies de aluminio mal pulidas. El objetivo es adaptar la red para su uso en entornos computacionales restringidos. La metodología implica el uso de dos computadoras: una PC de bajo rendimiento para la creación de la red y pruebas iniciales, y una PC más potente para el entrenamiento de la red utilizando el marco Darknet, después de lo cual la red se transfiere de nuevo a la PC inicial de bajo rendimiento. Los resultados demuestran que la red ligera personalizada adecuada para una PC de bajo rendimiento realiza eficazmente la detección de objetos bajo las condiciones descritas. Estos hallazgos sugieren que el uso de redes ligeras personalizadas para reconocer tipos específicos de defectos es factible y merece una mayor investigación para mejorar los procesos de detección de defectos industriales en entornos computacionales limitados. Este enfoque destaca el potencial para implementar control de calidad impulsado por IA en entornos con capacidades de hardware restringidas.