Muchos escenarios de aplicación de inferencia visual en el borde, por ejemplo, robótica o monitoreo ambiental, eventualmente requieren largos períodos de operación continua. En tales períodos, la temperatura del procesador juega un papel crítico para mantener una velocidad de cuadro prescrita. En particular, la carga computacional pesada de las redes neuronales convolucionales (CNN) puede llevar a una limitación térmica y, por lo tanto, a una degradación del rendimiento en pocos segundos. En este documento, informamos y analizamos el rendimiento a largo plazo de 80 casos diferentes resultantes de ejecutar cinco modelos de CNN en cuatro marcos de software y dos sistemas operativos sin y con enfriamiento activo. Este estudio exhaustivo se realizó en una plataforma de borde de bajo costo, a saber, Raspberry Pi 4B (RPi4B), en condiciones interiores estables. Los resultados muestran que el enfriamiento activo basado en histéresis evitó la limitación térmica en todos los casos, mejorando así el rendimiento hasta aproximadamente un 90% en comparación con la ausencia de enfriamiento. Curiosamente, el rango de uso del ventilador durante el enfriamiento activo varió del 33% al 65%. Dado el impacto del ventilador en el consumo de energía del sistema en su conjunto, estos resultados destacan la importancia de una selección adecuada del modelo de CNN y los componentes de software. Para evaluar el rendimiento en aplicaciones al aire libre, integramos un sensor de temperatura externo con el RPi4B y realizamos un conjunto de experimentos sin enfriamiento activo en un amplio intervalo de temperatura ambiente, que va desde 22 grados Celsius a 36 grados Celsius. Se midieron variaciones de hasta un 27.7% con respecto al rendimiento máximo logrado en ese intervalo. Esto demuestra que la temperatura ambiente es un parámetro crítico en caso de que no se pueda aplicar un enfriamiento activo.