La implementación del aprendizaje profundo en hardware de bajo costo, como un dispositivo de borde, es desafiante. Reducir la complejidad de la red es una de las soluciones para reducir el uso de recursos en el sistema, lo cual es necesario para la implementación de sistemas de bajo costo. En este estudio, utilizamos la capa de agrupación promedio general para reemplazar las capas completamente conectadas en el modelo de red neuronal convolucional (CNN), utilizado en el estudio anterior, para reducir el número de propiedades de la red sin disminuir el rendimiento del modelo en el desarrollo de la clasificación de imágenes para tareas de búsqueda de imágenes. Aplicamos la similitud del coseno para medir la similitud característica entre el vector de características de la entrada de la imagen y extraer los vectores de características de las imágenes de prueba en la base de datos. El resultado del cálculo de la similitud del coseno mostrará la imagen como el resultado de la tarea de búsqueda de imágenes. En la implementación, utilizamos Raspberry Pi 3 como hardware de bajo costo y el conjunto de datos CIFAR-10 para imágenes de entrenamiento y prueba. Basándonos en el desarrollo e implementación, la precisión del modelo es del 68%, y el sistema genera el resultado de la búsqueda de imágenes basado en la similitud característica de las imágenes.