YOLO-World: распознавание произвольного числа объектов с высокой точностью и скоростью

Извините за возможно обывательский вопрос, а с помощью такой сети можно детектить:

1. Действие, скажем человек воспользовался кофеваркой

2. Человека, который воспользовался кофеваркой

Или это долее широкий пайп лайн, например мы задетеклили что кто то взял капсулу и вставил в кофемашину, потом передаем это фото на следующий этпе где уже другими технологиями сличаем с базой известных лиц?