Este artículo presenta un método de aprendizaje secuencial destinado a mejorar el rendimiento de un modelo de aprendizaje profundo ligero utilizado para detectar incendios en una etapa temprana en transmisiones de video de vigilancia. El enfoque propuesto implica una secuencia de pasos de aprendizaje supervisado, en la cual el conjunto de datos de entrenamiento completo se divide en múltiples subconjuntos basados en el tamaño de los objetos de fuego. El tamaño de los objetos de fuego se mide mediante la proporción de tamaño del objeto, que es la relación del área del cuadro delimitador del objeto de llama de fuego detectado en relación con el área de la imagen completa. El subconjunto de entrenamiento inicial contiene los objetos de fuego de mayor tamaño, avanzando hacia el subconjunto final que contiene los objetos de fuego de menor tamaño. El objetivo es emplear el aprendizaje secuencial para mejorar la detección de objetos de fuego de tamaño pequeño en relación con el área de la imagen utilizando un modelo ligero adecuado para dispositivos de computación en el borde. Los resultados del experimento demuestran que un modelo de detección de incendios de aprendizaje profundo entrenado secuencialmente con un orden descendente de tamaño de objeto puede detectar de manera efectiva objetos de llama pequeños con una proporción de tamaño de objeto inferior a 0.006, logrando un puntaje F1 del 93.1%, lo que representa una mejora del 27% en comparación con el aprendizaje supervisado tradicional sin pasos de aprendizaje secuencial. Además, el rendimiento en la detección de objetos de llama diminutos con una proporción de tamaño de objeto inferior a 0.0016 logra un puntaje F1 del 94.5%, mostrando un aumento del 17.5% en comparación con el valor base sin aprendizaje secuencial.