Una de las principales causas de muerte a nivel mundial de los jóvenes son los accidentes automovilísticos, y gran parte de estas fatalidades ocurren a infantes que se encuentran en el asiento del copiloto y que, en el momento de un accidente, reciben el impacto directo de las bolsas de aire, el cual resulta ser letal para los niños menores a los 13 años. En el presente proyecto se busca generar conciencia de este riesgo al crear un sistema detector de infantes que sirva para alertar al conductor que el menor no debe estar sentado en el asiento del copiloto. Este sistema incorpora elementos de deep learning como transfer learning, fine-tuning y detección facial para identificar la presencia de infantes de manera robusta, mediante un entrenamiento con un dataset generado desde cero para este propósito específico, y usando la arquitectura MobileNet por el buen desempeño mostrado al compararse con la arquitectura de Inception para esta tarea; y su bajo costo computacional, lo cual facilita implementar el modelo final en una Raspberry Pi 4. El presente trabajo de tesis muestra la metodología llevada a cabo para la implementación de dicho sistema y el entrenamiento de múltiples modelos de clasificación. Al utilizar la metodología propuesta, se logró detectar infantes en el asiento del copiloto en tiempo real, con un 1 segundo de desfase por decisión, logrando una precisión del 99.99%.