El objetivo de esta investigación es desarrollar una arquitectura automatizada de inspección de palets con dos objetivos clave: alto rendimiento en cuanto a clasificación de defectos y eficacia computacional, es decir, una huella ligera. Dado que el almacenamiento automatizado de palets a través de visión artificial es un campo en desarrollo, la obtención de conjuntos de datos de almacenamiento puede ser una tarea difícil. Por lo tanto, la primera contribución de este estudio fue la propuesta de varias mejoras adaptadas que se generaron en base a la modelización de condiciones/variedades en el suelo de producción dentro de almacenes. En segundo lugar, se propuso un algoritmo de selección de variantes, comenzando con un análisis de extremos y proporcionando un protocolo para seleccionar la arquitectura óptima en cuanto a precisión y eficiencia computacional. La arquitectura propuesta YOLO-v5n generó el MAP@0.5 más alto del 96.8% en comparación con trabajos anteriores en el dominio del almacenamiento, con una huella computacional en términos del número de parámetros en su nivel más bajo, es decir, 1.9 M en comparación con YOLO-v5x en 86.7 M.