Los avances en el aprendizaje profundo han llevado al desarrollo de varios modelos de detección de especies animales adecuados para diferentes entornos. A partir de esto, nuestra investigación introduce un modelo de detección que maneja eficientemente tanto el procesamiento por lotes como en tiempo real. Esto se logra mediante la integración de un algoritmo de selección de fotogramas basado en el movimiento y un enfoque de procesamiento paralelo híbrido de dos etapas. Estas modificaciones redujeron significativamente la demora de procesamiento y el consumo de energía del detector propuesto MCFP-YOLO, especialmente en sistemas integrados con recursos limitados, sin comprometer la precisión de nuestro sistema de detección de especies animales. Para aplicaciones de campo, el modelo MCFP-YOLO propuesto fue desplegado y probado en dos dispositivos integrados: el RP4B y el Jetson Nano. Mientras que el Jetson Nano proporcionó un procesamiento más rápido, se seleccionó el RP4B debido a su menor consumo de energía y a una relación equilibrada entre costo y rendimiento, lo que lo hace particularmente adecuado para un uso prolongado en áreas remotas.