C++ paddleocr 模型加载放到另一个线程，给出具体完整的代码

在PaddleOCR中，模型加载通常是初始化过程的一部分，通常不会直接放在单独的线程中运行，因为模型加载本身是一个IO密集型操作，如果并发处理可能会导致数据竞争。然而，如果你想在后台线程中异步加载模型并保持主线程的响应速度，可以使用`std::async`或者`paddle::framework::Executor`的异步特性。

以下是一个简单的示例，展示了如何在一个独立的线程中异步加载PaddleOCR模型：

#include <thread>
#include "paddle/fluid/inference/api/paddle_inference_api.h"
#include "paddle/fluid/core/profiler/profiler.h"

class ModelLoader {
public:
    explicit ModelLoader(const std::string& model_path) : model_path_(model_path) {}

private:
    void loadModel() {
        PADDLE_ENFORCE_NOT_NULL(paddle_inference::CreateInferenceContext());
        inference_config_.SetConfig({"use_gpu", false});
        inference_config_.SetModel(model_path_);
        
        auto* predictor = paddle_inference::CreatePredictor(inference_config_);
        if (predictor == nullptr) {
            PADDLE_THROW("Failed to create predictor.");
        }

        // 线程安全地保存预测器
        std::lock_guard<std::mutex> lock(mutex_);
        predictors_[model_path_] = predictor;
    }

    std::string model_path_;
    paddle_inference::Config inference_config_;
    std::unordered_map<std::string, paddle_inference::PredictionContext*> predictors_;
    mutable std::mutex mutex_;  // 用于同步读取predictor
};

// 主线程
int main() {
    const std::string model_path = "path_to_your_paddleocr_model";
    ModelLoader loader(model_path);

    // 异步加载模型
    std::thread load_thread(&ModelLoader::loadModel, &loader);
    load_thread.detach();  // 启动后立即返回主线程

    // 主线程在此等待模型加载完成（实际应用中不需要阻塞）
    load_thread.join();

    // 使用加载好的模型
    std::lock_guard<std::mutex> lock(loader.mutex_);
    paddle_inference::PredictionContext* predictor = loader.predictors_[model_path];
    // ... 进行推理 ...

    return 0;
}