Este documento explora la implementación práctica y el análisis de rendimiento de marcos de aprendizaje distribuido (DL) en varias plataformas de clientes, respondiendo al paisaje dinámico de la tecnología 6G y la necesidad urgente de una red de inteligencia distribuida completamente conectada para dispositivos de Internet de las Cosas (IoT). La naturaleza heterogénea de los clientes y los datos presenta desafíos para las técnicas efectivas de aprendizaje federado (FL), lo que nos lleva a explorar el aprendizaje por transferencia federado (FTL) en plataformas Raspberry Pi, Odroid y máquinas virtuales. Nuestro estudio proporciona un examen detallado del diseño, implementación y evaluación del marco FTL, adaptado específicamente a las limitaciones únicas de varias plataformas IoT. Al medir la precisión de FTL en diversos clientes, revelamos su rendimiento superior en comparación con el FL tradicional, particularmente en términos de entrenamiento más rápido y mayor precisión, debido al uso del aprendizaje por transferencia (TL). Las mediciones en el mundo real demuestran además una mejor eficiencia de recursos con una carga promedio más baja, uso de memoria, temperatura, potencia y consumo de energía cuando se implementa FTL en comparación con FL. Nuestros experimentos también muestran la robustez de FTL en escenarios donde los usuarios abandonan la cobertura de comunicación del servidor, resultando en menos clientes y menos datos para el entrenamiento. Esta adaptabilidad subraya la efectividad de FTL en entornos con datos, clientes y recursos limitados, contribuyendo con información valiosa a la intersección de la computación en el borde y DL para el IoT 6G.