RT-DETR推理配置

### 配置 RT-DETR 模型进行推理

为了配置 RT-DETR 模型进行推理，需准备环境并加载预训练权重文件。具体操作如下：

#### 准备工作
确保安装了必要的依赖库，如 PyTorch 和其他辅助工具包。对于 C++ 推理部分，则要编译对应的 C++ 项目以支持后续的操作。

#### 加载模型与权值
通过读取已有的 `.pth` 或者特定格式的参数文件来初始化网络结构，并设置为评估模式以便于执行预测任务。

// 假设已经定义好了Detector类用于封装检测逻辑
std::shared_ptr<Detector> detector = std::make_shared<Detector>();
detector->load_weights("path_to_pretrained_model"); // 加载预训练模型路径
detector->set_eval_mode();                          // 设置成eval模式

#### 输入数据处理
输入图像通常需要经过一定的预处理才能送入模型中计算，这可能涉及到尺寸调整、归一化等步骤。

cv::Mat img = cv::imread(image_path);
auto processed_img = preprocess_image(img);         // 对图片做适当变换
torch::Tensor input_tensor = to_tensor(processed_img);// 转换为张量形式
input_tensor.unsqueeze_(0);                         // 添加batch维度

#### 执行前向传播获取结果
调用 `forward()` 方法传入处理后的输入张量得到输出特征图或其他表征信息。

torch::NoGradGuard no_grad;                        // 关闭梯度跟踪提高效率
auto output = detector->forward(input_tensor);     // 获取模型输出

#### 后处理及可视化展示
最后一步是对模型给出的结果进一步解析，比如解码边界框坐标、类别标签等，并将其绘制到原始图像上方便查看效果[^1]。