Las redes neuronales convolucionales (CNNs) han permitido realizar tareas efectivas de detección de objetos en bioimágenes. Lamentablemente, implementar un modelo de detección de objetos puede ser intensivo en computación, especialmente en hardware con recursos limitados en un entorno de laboratorio u hospital. Este estudio tiene como objetivo desarrollar un marco llamado BioEdge que puede acelerar la detección de objetos utilizando Scaled-YOLOv4 y YOLOv7 aprovechando la informática en el borde para el análisis de bioimágenes. BioEdge emplea una técnica de inferencia distribuida con Scaled-YOLOv4 y YOLOv7 para aprovechar los recursos computacionales tanto de un ordenador local como de un servidor en el borde, permitiendo una detección rápida de anomalías de COVID-19 en radiografías de tórax. Al implementar técnicas de inferencia distribuida, BioEdge aborda las preocupaciones de privacidad que pueden surgir al transmitir datos biomédicos a un servidor en el borde. Además, incorpora un autoencoder computacionalmente ligero en el punto de división para reducir la sobrecarga de transmisión de datos. Para la evaluación, este estudio utiliza el conjunto de datos de COVID-19 proporcionado por la Sociedad de Informática en Imágenes Médicas (SIIM). Se muestra que BioEdge mejora la latencia de inferencia de Scaled-YOLOv4 y YOLOv7 hasta 6.28 veces con una pérdida de precisión despreciable en comparación con la ejecución en un ordenador local en nuestro entorno de evaluación.