Actualmente, las aplicaciones informáticas visuales basadas en redes neuronales convolucionales están desarrollándose rápidamente. Sin embargo, persisten varios problemas: (1) se necesita equipo de procesamiento gráfico de alta calidad y (2) el modelo de red entrenada tiene varias operaciones de convolución innecesarias. Estos problemas resultan en una red de detección de objetivos de una sola etapa que a menudo requiere potencia de cálculo innecesaria y es difícil de aplicar a equipos con recursos de cálculo insuficientes. Para resolver estos problemas, se propone una estructura de red YOLOv5-L (YOLOv5 Lightweight) basada en YOLOv5. Esta red se mejora utilizando YOLOv5. Primero, para mejorar la velocidad de inferencia del detector en la CPU, se emplea el PP-LCNet (PaddlePaddle-Lightweight CPU Net) como red de base. En segundo lugar, se elimina el módulo de enfoque y se reemplaza el módulo de convolución final en la red principal por un módulo de convolución profunda separable, lo que elimina operaciones redundantes y reduce la cantidad de cálculos. Los resultados experimentales muestran que YOLOv5-L permite una reducción del 48% en los parámetros del modelo y en los cálculos en comparación con YOLOv5, un aumento del 35% en la velocidad de operación y una reducción de menos del 2% en la precisión, lo cual es significativo en el entorno de equipos informáticos de bajo rendimiento.