Inteligencia Artificial - Transformación de análisis de imagen "clásico" en red neuronal

Buenas,

Para un proyecto de reconocimiento de distracciones al volante en el que planteo detectar los siguientes casos:
- Sueño/Persona dormida
- Somnolencia
- Distracciones de mirada
- Uso de móvil/comer/beber

Tengo una serie de funciones en Python que me devuelven True o False si la persona desvía la mirada (gracias a un gaze tracking con dlib), si parpadea (con lo que puedo contar cuántos parpadeos hay y el tiempo de los mismos), si acerca la mano a la cabeza (para esto uso mediapipe) y me planteaba cómo puedo hacer para convertir este problema en una red a la que le pase imágenes/vídeo de las 4 situaciones que quiero valorar y me determine a cuál de ellas corresponde.

Mi problema principal no es tanto la programación en sí, sino que no sé cómo trasladar mi problema a ese otro escenario.

¿Se os ocurre cómo podría hacerse?

cv2 me parece que puede abrir videos en formato mp4 o avi, y puede capturar cada fotograma como una imagen.

Si ya tienes un script que ya le introduces una imagen y te dice todo, no veo el programa en darle fotogramas por separado.

ya una youtuber que hizo algo parecido para detectar parpadeos con python y opencv2. aqui encuentras muchos proyectos de vision por computador que es lo que quieres hacer.

blog vision por computador