Las motocicletas son una parte integral del transporte en países emergentes, pero desafortunadamente, los usuarios de motocicletas también son uno de los usuarios de la carretera más vulnerables (VRUs) y están involucrados en un gran número de accidentes anuales. Por lo tanto, la detección de motocicletas es muy importante para la vigilancia del tráfico adecuada, la seguridad vial y la seguridad. La mayoría del trabajo relacionado con la detección de motocicletas se ha llevado a cabo para mejorar la precisión. Si esta tarea no se realiza en tiempo real, pierde significado práctico, pero se ha informado poco o nada sobre su implementación en tiempo real. En este trabajo, hemos examinado múltiples soluciones rentables desplegables en tiempo real para la detección de motocicletas utilizando varios dispositivos integrados de vanguardia. Este documento discute una investigación de una metodología propuesta en cinco dispositivos integrados diferentes que incluyen Jetson Nano, Jetson TX2, Jetson Xavier, Intel Compute Stick y Coral Dev Board. Ejecutar el modelo de detección de objetos altamente intensivo en cómputo en dispositivos integrados (en tiempo real) es posible mediante la optimización. Como resultado, hemos logrado tasas de inferencia en diferentes dispositivos que son el doble que las GPU, con solo una caída marginal en la precisión. En segundo lugar, la precisión base de la detección de motocicletas se ha mejorado desarrollando una red personalizada basada en YoloV5 mediante la introducción de esparsidad y reducción de profundidad. Se ha aplicado la ampliación del conjunto de datos tanto a nivel de imagen como de objeto para mejorar la robustez de la detección. Hemos logrado una precisión del 99% en comparación con la precisión anteriormente informada del 97%, con un mejor FPS. Además, hemos proporcionado una comparación de rendimiento de la detección de motocicletas en los diferentes dispositivos integrados, para una implementación práctica.