Wendelstein 7-X (W7-X) es actualmente el stellarator optimizado más grande en operación en el mundo. Su objetivo principal es demostrar la operación de pulso largo e investigar la idoneidad de este tipo de dispositivo de fusión para una planta de energía. Mantener la seguridad de la primera pared es crítico para lograr los tiempos de descarga deseados de aproximadamente 30 minutos mientras se mantiene una condición de estado estacionario. Presentamos una solución basada en aprendizaje profundo para detectar las interacciones inesperadas entre el plasma y la pared, así como entre el plasma y los objetos, llamados puntos calientes, en las imágenes del sistema de Cámara Inteligente de Detección de Eventos (EDICAM). Estos eventos pueden representar una amenaza seria para la seguridad de la primera pared y, por lo tanto, para la operación del dispositivo. Mostramos que es posible entrenar suficientemente una red neuronal con cantidades relativamente pequeñas de datos utilizando nuestro enfoque de mezclar el conjunto de datos experimental con nuevas imágenes que contienen los llamados puntos calientes sintéticos generados por nosotros. Diversificar el conjunto de datos con puntos calientes sintéticos aumenta el rendimiento y puede compensar la falta de datos. El modelo YOLOv5 Small de mejor rendimiento procesa imágenes en 168 ms en promedio durante la inferencia, lo que lo convierte en un buen candidato para la operación en tiempo real. Hasta donde sabemos, somos los primeros en poder detectar eventos en el espectro visible en stellarators con alta precisión, utilizando redes neuronales entrenadas con pequeñas cantidades de datos mientras logramos tiempos de inferencia casi en tiempo real.