La segmentación de líneas eléctricas es muy importante para garantizar el funcionamiento seguro y estable de los vehículos aéreos no tripulados en la inspección inteligente de líneas eléctricas. Aunque el algoritmo de segmentación de líneas eléctricas basado en aprendizaje profundo ha avanzado, sigue siendo bastante difícil lograr una segmentación precisa debido al fondo complejo y cambiante de las imágenes aéreas de líneas eléctricas y a los pequeños objetivos de las líneas eléctricas, y los modelos de segmentación existentes son demasiado grandes y no son adecuados para el despliegue en el borde. Este artículo propone un algoritmo de segmentación de líneas eléctricas ligero: G-UNets. El algoritmo utiliza el U-Net mejorado de Lei Yang et al. (2022) como red básica (Y-UNet). La parte del codificador combina la convolución tradicional con el Ghost bottleneck para extraer características y adopta una estrategia de fusión de entrada a múltiples escalas para reducir la pérdida de información. Al garantizar la precisión de la segmentación, la cantidad de parámetros de Y-UNet se reduce significativamente; se introduce Shuffle Attention (SA) con menos parámetros en la etapa de decodificación para mejorar la precisión de segmentación del modelo; al mismo tiempo, para aliviar aún más el impacto de la distribución desequilibrada de muestras positivas y negativas en la precisión de segmentación, se construye una función de pérdida híbrida ponderada fusionada con Focal loss y Dice loss. Los resultados experimentales muestran que el número de parámetros del algoritmo G-UNets es solo aproximadamente el 26.55% del de Y-UNet, y los valores de F1-Score e IoU superan ambos a los de Y-UNet, alcanzando el 89.24% y el 82.98%, respectivamente. G-UNets puede reducir en gran medida el número de parámetros de la red mientras garantiza la precisión del modelo, proporcionando una forma efectiva para que el algoritmo de segmentación de líneas eléctricas se aplique a dispositivos de borde con recursos limitados, como drones.