La creciente demanda de reconocimiento eficiente de acciones humanas ha llevado a avances significativos en aplicaciones como vigilancia, atención médica e interacción humano-computadora. Este documento utiliza el conjunto de datos Widar3.0 para evaluar el propuesto marco de aprendizaje colaborativo en la nube-borde que incorpora técnicas de compresión de modelos, incluyendo destilación de conocimiento, poda y cuantificación, para optimizar el uso de recursos computacionales y mejorar la precisión de reconocimiento. Enfocándose en el reconocimiento de acciones humanas, el marco se estructuró en dos capas: la nube y los dispositivos de borde, cada uno manejando tareas específicas como actualizaciones de modelo globales, agregación de modelos intermedios e inferencia ligera, respectivamente. Los resultados experimentales mostraron que el marco propuesto logró una precisión del 89.7%, superando a los modelos tradicionales en un 4.4%. Además, la sobrecarga de comunicación por ronda se redujo en un 43%, disminuyendo de 100 MB a 57 MB. El marco demostró un rendimiento mejorado a medida que aumentaba el número de dispositivos de borde, con la precisión aumentando a 89.0% con 10 dispositivos. Estos resultados validan la efectividad del sistema propuesto para lograr una alta precisión de reconocimiento mientras se reduce significativamente el consumo de recursos para el reconocimiento de acciones humanas.