En los últimos años, la proliferación de vehículos aéreos no tripulados (VANT) ha aumentado drásticamente. Los VANT pueden realizar tareas complejas o peligrosas de manera confiable y rentable, pero aún están limitados por problemas de consumo de energía, que imponen serias restricciones en la duración del vuelo y la realización de tareas que requieren mucha energía. La posibilidad de dotar a los VANT de capacidades avanzadas de toma de decisiones de manera eficiente en términos de energía sería extremadamente beneficiosa. En este artículo, proponemos una solución práctica a este problema que explota el aprendizaje profundo en el borde. El sistema desarrollado integra un microcontrolador OpenMV en un vehículo aéreo micro DJI Tello. El microcontrolador alberga un conjunto de herramientas de inferencia habilitadas para el aprendizaje automático que cooperan para controlar la navegación del dron y completar un objetivo de misión determinado. El objetivo de este enfoque es aprovechar las nuevas características oportunistas de TinyML a través de OpenMV, incluyendo inferencia fuera de línea, baja latencia, eficiencia energética y seguridad de datos. El enfoque se valida con éxito en una aplicación práctica que consiste en la detección a bordo de personas que llevan mascarillas de protección en un entorno concurrido.