En los últimos años, la red de satélites en órbita baja (LEO) ha logrado un desarrollo considerable. Además, es necesario introducir la computación en la nube en las redes LEO, lo que puede proporcionar servicios de alta calidad, como la descarga de computación de baja latencia y sin interrupciones a nivel mundial para vehículos aéreos no tripulados (UAV) o terminales de usuario, y el procesamiento de datos de teledetección cercanos para UAV o satélites. Sin embargo, debido a que los recursos de computación del satélite son relativamente escasos en comparación con los servidores en tierra, es difícil para un solo satélite completar tareas masivas de inferencia de redes neuronales profundas (DNN) en poco tiempo. En consecuencia, en este artículo, nos centramos en el problema de inferencia colaborativa entre múltiples satélites y proponemos un nuevo algoritmo de Inferencia Colaborativa para la computación en el borde LEO llamado COIN-LEO. COIN-LEO logra dividir el modelo DNN completo en varios submodelos que consisten en algunas capas consecutivas y desplegar estos submodelos en varios satélites para la inferencia. Innovadoramente, aprovechamos el aprendizaje por refuerzo profundo (DRL) para dividir eficientemente el modelo y utilizamos una red neuronal (NN) para predecir el tiempo requerido para las tareas de inferencia de un submodelo específico en un satélite específico. Al implementar COIN-LEO y evaluar su rendimiento en una plataforma de emulación de red de satélites altamente realista, encontramos que nuestro COIN-LEO supera a los algoritmos base en términos de rendimiento de inferencia, tiempo consumido y sobrecarga de tráfico de red.