对于类似groundingdino这类输入为图像加多个文本token的多输入图像检测模型，应该使用哪一个库的工具进行推理能加速图像检测。是使用acllite、aclpy、mxvision还是什么库？另外有没有这种图像加其他多输入图像检测的推理例子？