En los últimos años, muchos estudios han propuesto técnicas de detección y localización automáticas para el infarto de miocardio (IM) utilizando el electrocardiograma de 12 derivaciones (ECG). La mayoría de ellos aplicaron preprocesamiento a las señales de ECG, por ejemplo, eliminación de ruido, eliminación de tendencias, segmentación de latidos y selección de características, seguido por la construcción de un modelo y clasificación basada en algoritmos de aprendizaje automático. La selección e implementación de métodos de preprocesamiento requieren conocimientos especializados y experiencia para manejar datos de ECG. En este documento, proponemos un modelo de red neuronal convolucional de extremo a extremo que detecta y localiza el IM sin un preprocesamiento multietapa complicado. El modelo propuesto realiza un aprendizaje integral para las características de la forma de onda de imágenes de ECG crudas no procesadas capturadas de señales de ECG de 12 derivaciones. Evaluamos el rendimiento de clasificación del modelo propuesto en dos configuraciones experimentales: validación cruzada de diez pliegues donde las imágenes de ECG se dividieron al azar, y validación cruzada de dos pliegues donde las imágenes de ECG se dividieron en un paciente y los otros pacientes. Los resultados experimentales demuestran que el modelo propuesto obtuvo precisión de detección de IM del 99.82% y 93.93% y precisión de localización de IM del 99.28% y 69.27% en la primera y segunda configuración, respectivamente. El rendimiento del método propuesto es superior o comparable al de los métodos existentes de última generación. Por lo tanto, se espera que el modelo propuesto sea una herramienta de diagnóstico de IM efectiva que se pueda utilizar en unidades de cuidados intensivos y como tecnología portátil.