El reconocimiento y clasificación bacteriana desempeñan un papel vital en el diagnóstico de enfermedades al determinar la presencia de bacterias grandes en las muestras y los síntomas. La inteligencia artificial y la visión por computadora ampliamente aplicadas en el dominio médico permiten mejorar la precisión y reducir el tiempo de reconocimiento y clasificación bacteriana, lo que ayuda a tomar decisiones clínicas y elegir el tratamiento adecuado. Este documento tiene como objetivo proporcionar un enfoque de clasificación automatizada de 33 cepas bacterianas a partir del conjunto de datos de Imágenes Digitales de Especies Bacterianas (DIBaS) basado en redes neuronales convolucionales separables en profundidad a pequeña escala. Nuestra arquitectura de cinco capas tiene ventajas significativas debido al modelo compacto, bajo costo computacional y alta precisión de reconocimiento confiable. Los resultados experimentales demostraron que el diseño propuesto alcanzó la mayor precisión con un total de 6600 imágenes y puede ejecutarse en dispositivos de recursos limitados de millones de parámetros y millones de operaciones de multiplicación-acumulación (MACs). El número de parámetros en esta arquitectura es siete veces menor que el modelo más pequeño mencionado en la literatura.