Una de las principales preocupaciones actuales es llevar capacidades de inteligencia artificial a sistemas integrados para aplicaciones en el borde. Los recursos de hardware y el consumo de energía requeridos por los modelos de vanguardia son incompatibles con los entornos limitados observados en sistemas en el borde, como nodos de IoT y dispositivos portátiles. Las Redes Neuronales de Disparo (SNNs) pueden representar una solución en este sentido: inspiradas en la neurociencia, alcanzan una eficiencia sin precedentes en potencia y recursos cuando se ejecutan en aceleradores de hardware dedicados. Sin embargo, al diseñar dichos aceleradores, la cantidad de opciones que se pueden tomar es enorme. Este documento presenta SpikExplorer, una herramienta modular y flexible en Python para la Exploración Automática del Espacio de Diseño orientada al hardware para automatizar la configuración de aceleradores de FPGA para SNNs. SpikExplorer permite la optimización multiobjetivo centrada en hardware, admitiendo factores objetivo como precisión, área, latencia, potencia y diversas combinaciones durante el proceso de exploración. La herramienta busca la arquitectura de red óptima, el modelo de neurona y los parámetros internos y de entrenamiento aprovechando la optimización bayesiana, intentando alcanzar las restricciones deseadas impuestas por el usuario. Permite una configuración sencilla de la red, proporcionando el conjunto completo de puntos explorados para que el usuario elija el equilibrio que mejor se adapte a sus necesidades. El potencial de SpikExplorer se muestra utilizando tres conjuntos de datos de referencia. Alcanza un 95.8% de precisión en el conjunto de datos MNIST, con un consumo de energía de 180 mW/imagen y una latencia de 0.12 ms/imagen, convirtiéndose en una herramienta poderosa para optimizar automáticamente SNNs.