El propósito principal de un sistema de detección es determinar el estado de los ojos de un individuo, ya sea que estén abiertos y alerta o cerrados, y luego alertarlos sobre su nivel de fatiga. Como resultado de esto, se abstendrán de acercarse a un sitio de accidente. Además, sería ventajoso que las personas fueran alertadas de inmediato en tiempo real antes de la ocurrencia de cualquier evento calamitoso que afecte a múltiples personas. La implementación de la tecnología de Internet de las Cosas (IoT) en el reconocimiento de acciones del conductor se ha vuelto imperativa debido a los avances continuos en Inteligencia Artificial (IA) y aprendizaje profundo (DL) dentro de los Sistemas Avanzados de Asistencia al Conductor (ADAS), que están transformando significativamente la experiencia de conducción. Este trabajo presenta un modelo de aprendizaje profundo que utiliza una red CNN-LSTM para detectar la somnolencia del conductor. Empleamos diferentes algoritmos en conjuntos de datos como EM-CNN, VGG-16, GoogLeNet, AlexNet, ResNet50 y CNN-LSTM. Los algoritmos mencionados se utilizan para la clasificación, y es evidente que el algoritmo CNN-LSTM exhibe una precisión superior en comparación con otros algoritmos de aprendizaje profundo. El modelo se proporciona con clips de video de un cierto período y distingue el clip analizando la secuencia de movimientos exhibidos por el conductor en el video. El objetivo clave de este trabajo es promover la seguridad vial al notificar a los conductores cuando muestran signos de somnolencia, minimizando la probabilidad de accidentes causados por trastornos relacionados con la fatiga. Ayudaría en el desarrollo de un ADAS que sea capaz de detectar y abordar la fatiga del conductor de manera proactiva. Este trabajo tiene la intención de limitar los peligros potenciales asociados con la conducción somnolienta, promoviendo así una mayor seguridad vial y una disminución de los accidentes causados por variables relacionadas con la fatiga. Este trabajo busca lograr una alta eficacia mientras mantiene una naturaleza no intrusiva. Este trabajo se esfuerza por ofrecer una solución no intrusiva que pueda integrarse sin problemas en los automóviles actuales, mejorando así el acceso a un espectro más amplio de conductores mediante el uso de análisis de movimiento facial empleando CNN-LSTM y una arquitectura basada en U-Net.