La detección de fugas de gas es una preocupación crítica tanto en entornos industriales como residenciales, donde los sistemas en tiempo real son esenciales para identificar rápidamente posibles peligros y prevenir incidentes peligrosos. Los sistemas de detección tradicionales a menudo dependen del procesamiento de datos centralizado, lo que puede provocar retrasos y problemas de escalabilidad. Para superar estas limitaciones, en este estudio presentamos una solución basada en aprendizaje automático diminuto (TinyML) para procesar datos directamente en dispositivos. TinyML tiene el potencial de ejecutar algoritmos de aprendizaje automático localmente, en tiempo real y utilizando dispositivos pequeños, como microcontroladores, garantizando respuestas más rápidas y eficientes a posibles peligros. Nuestro enfoque combina una cámara térmica MLX90640 con dos redes neuronales convolucionales optimizadas (CNN), MobileNetV1 y EfficientNet-B0, desplegadas en el Arduino Nano 33 BLE Sense. Los resultados muestran que nuestro sistema no solo proporciona análisis en tiempo real, sino que lo hace con alta precisión: 88.92% para MobileNetV1 y 91.73% para EfficientNet-B0, logrando tiempos de inferencia de 1414 milisegundos y utilizando solo 124.8 KB de memoria. En comparación con las soluciones existentes, nuestro sistema basado en el borde supera desafíos comunes relacionados con la latencia y la escalabilidad, convirtiéndose en una opción confiable, rápida y eficiente. Este trabajo demuestra el potencial de sistemas de detección de gas escalables y de bajo costo que pueden desplegarse ampliamente para mejorar la seguridad en diversos entornos. Al integrar modelos de aprendizaje automático de vanguardia con dispositivos IoT asequibles, nuestro objetivo es hacer que la seguridad sea más accesible, independientemente de las limitaciones financieras, y allanar el camino para una mayor innovación en soluciones de monitoreo ambiental.