Este estudio detalla el desarrollo de un modelo ligero y de alto rendimiento, dirigido a la detección de objetos en tiempo real. Varios elementos diseñados se integraron en el marco propuesto para lograr un peso ligero, una ejecución rápida y un rendimiento óptimo en la detección de objetos. En primer lugar, se eligió una estructura escasa y ligera como base de la red, y la fusión de características se realizó utilizando redes piramidales de características modificadas. Estrategias recientes de aprendizaje en aumento de datos, entrenamiento de precisión mixta y esparcidad de red se incorporaron para mejorar sustancialmente la generalización del modelo ligero y aumentar la precisión de la detección. Además, se aplicó destilación de conocimiento para abordar problemas de caída, y se integró un mecanismo de aprendizaje de estudiante-maestro para garantizar el mejor rendimiento. El modelo fue probado de manera exhaustiva utilizando el conjunto de datos MS-COCO 2017, y los resultados experimentales demostraron claramente que el modelo propuesto podría obtener un alto rendimiento de detección en comparación con los métodos de vanguardia, y requería recursos computacionales mínimos, lo que lo hacía factible para muchas implementaciones en tiempo real.