Los aceleradores de Field Programmable Gate Array (FPGA) se han adoptado ampliamente para aplicaciones de inteligencia artificial (IA) en dispositivos de borde (Edge-AI) que utilizan arquitecturas de Redes Neuronales Profundas (DNN). Los FPGAs han ganado su reputación debido a su mayor eficiencia energética y alto paralelismo en comparación con los microcontroladores (MCU) y las unidades de procesamiento gráfico (GPU), mientras que son más fáciles de desarrollar y más reconfigurables que los Circuitos Integrados de Aplicación Específica (ASIC). Sin embargo, el desarrollo y la construcción de aplicaciones de IA en dispositivos con recursos limitados, como los FPGAs, sigue siendo un desafío debido al enfoque de co-diseño, que requiere una valiosa experiencia en diseño de hardware de bajo nivel y en desarrollo de software. Este documento explora la eficacia y el despliegue dinámico de aplicaciones aceleradas por hardware en la plataforma de desarrollo Kria KV260 basada en el sistema en módulo (SoM) Xilinx Kria K26, que incluye un sistema en chip multiprocesador (MPSoC) Zynq. La plataforma admite el marco PYNQ basado en Python y mantiene un alto nivel de versatilidad con el soporte de flujos de bits personalizados (superposiciones). La demostración probó la reconfigurabilidad y la facilidad general de implementación con algoritmos de aprendizaje automático (ML) de bajo consumo.