El aprendizaje federado (FL) permite que los modelos de aprendizaje profundo se entrenen localmente en dispositivos sin necesidad de compartir datos, garantizando la privacidad de los datos. Sin embargo, cuando los clientes tienen distribuciones de datos desiguales o desequilibradas, esto conduce a la heterogeneidad de los datos. La heterogeneidad de los datos puede manifestarse de diferentes maneras, a menudo debido a variaciones en las etiquetas, distribuciones de datos, variaciones de características e inconsistencias estructurales en las imágenes. Esto puede afectar significativamente el rendimiento de FL, ya que el modelo global a menudo lucha por lograr una convergencia óptima. Para mejorar la eficiencia del entrenamiento y el rendimiento del modelo, una estrategia común en FL es excluir a los clientes con datos limitados. Sin embargo, excluir a estos clientes puede plantear preocupaciones de equidad, especialmente para poblaciones más pequeñas. Para comprender la influencia de la heterogeneidad de los datos, se diseñó un marco de aprendizaje federado autoevaluador para la heterogeneidad, con el fin de evaluar el tipo de heterogeneidad asociada con los clientes y proporcionar recomendaciones para mejorar la precisión del modelo global. Fed-Hetero permite que los clientes con datos limitados participen en los procesos de FL mediante la adopción de estrategias apropiadas que mejoren la precisión del modelo. Los resultados muestran que Fed-Hetero identifica al cliente con heterogeneidad y proporciona recomendaciones personalizadas.