我的小游戏上线海外AppStore完整流程心得

1,购买一台Mac或者用VMWare 安装Mac OS流程,笔者使用VMWare。

  • 先安装Mac OS 10.13,教程,成功后不要着急安装vmtools, 首先更新系统至最新版,因为真机测试往往需要新版xcode,而新版xcode有需要新系统。
  • 我升级到macOS High Sierra 10.13.6后,开始安装vmtools。重启后,发现还是无法全屏。不要着急在系统偏好设置里,安全,允许运行Vmware扩展。
  • 允许运行Vmware扩展后,在系统偏好设置,显示器里可以设置高分辨率。并且可以全屏了~
  • 因为要在日常开发中使用,所以切记硬盘多给一些,至少60G。xcode和unity都很大的,两个合起来20G+。虚拟机硬盘扩充也很耗时,最好一次到位。
  • 在虚拟机里系统升级系统确实是个挑战,挂一宿就好,不用盯着。最终可以成功,附上截图,以激励后来人。

2,购买海外开发者账号,笔者选用美国账号

  • 购买时时填写地址,请随意,但需要真实存在。(最好不要填苹果总部)
  • 购买时信用卡,国内单标Master/VISA即可,并不需要美国信用卡。
  • 购买时预留电话可以使用美国Google Voice。
  • 我使用美国亲戚名字注册的,结果居然没有任何身份验证流程,早知道真应该用自己的名字。(现在游戏上线了,但是版权人不是藕ㄟ( ▔, ▔ )ㄏ)
  • 提交上线也没有需要身份验证流程。(免费游戏不需要审查税务身份,收费游戏可能会比较复杂,网上都是推荐购买东南亚那边的开发者)
  • 购买开发者时,笔者填写的地址是纽约,该地区有税费需额外多付7美金。(地址填写免税区,可省下这笔钱)
  • 最好开美国VPN,且把Mac系统操作语言设置为英文,时区设置到美国。
  • VPN+单标国内信用卡+美国GV+随意的地址,开发者名字可以留自己。但是如果是收费游戏,你后续还要补手续(收费人可以不是开发者本人,但必须是国外的合法人),免费游戏则可以跳过。
  • 即便购买海外开发者,想要上中国区appstore也是需要广电总局批准的。
  • 这只是我个人的经历,不代表按照相同流程你可以申请成功。

3,项目研发时引擎问题

  • iOS app启动时,提示“Hidden/BlitToDepth Shader Not Supported.......”,并没有crash,但是消耗了部分时间。尝试各种google方法都无效,好吧,换最新的unity2018问题解决了。
  • 粒子特效问题,特效的勾选world space,使用Emit方法生产粒子特效。pc上没有任何问题,ios上帧率稍微低一点,粒子特效就乱飞的感觉。只能靠关键字不断google摸索查询,最终看到此网址。Unity粒子特效6年未修复的bug(我使用andy lee提供的方法)
  • 项目使用ScriptableObject ,在editor mode 模式运行没有任何问题,但是build的版本报告空引用。好吧,原来ScriptableObject 文件名 和类名 必须保持一致才行。这。。。

4,项目研发时琐碎问题

  • app启动界面的问题,unity plus和 pro 可以关掉 unity的splash。但是无法关掉苹果的,苹果splash可以在unity 的 splash mobile image配置。
  • 我的app在时启动时,先黑屏然后在显示splash image,这个原因和可能是装了很多次这个程序,ios系统缓存splash了导致。尝试重启看看是否解决。
  • 我的app 是单机的,但是启动时还有联网访问,怎么回事,原来unity会统计一些数据上传的unity网站。这个功能只有plus版本和pro才能关掉。在player setting里名为disable HW。

5,项目日常工作

  • 挑美术资源和音乐,确定美术风格和音乐风格。看别人的游戏是如何设计的。比如敌机如何飞行,弹幕形式等。之后加以创新和改造。
  • 美术资源和音乐资源均购买于Unity Asset Store,担任logo和游戏开始界面啥的不是。
  • 把别人的弹幕转换为代码,真心不容易的。嘿嘿,当然我也设计了一些独一无二的弹幕~。
  • 一个人搞定一切确实收获很多,但是效率其实也低不少,需要在多种工作中来回切换。后来我每天用日记本规划好自己明天需要处理的问题。第二天一项一项的完成。
  • 做了很多编辑器方面的工作,在这里真心推荐大家两篇英文文章,对自定义inspector很有帮助。教程

5,项目使用的版本管理:

  • SourceTree
  • 支持私有项目,不需要自己搭建版本服务器,免费,多平台,苹果能用,window也能用。
  • 我在window上push,在mac os上pull。
  • 兼容unity 云构建。这点对于一些人真的很重要。

6,项目提交审核时:

  • 走正常流程,注册bundleid, appid。创建证书,下载证书。这些我就不再赘述。随便搜搜就有很多。
  • 所有国家的苹果开发者,在他们发布app时都能看见来自中国广电总局一段话。。。我们的祖国真强大~
  • 唯一碰到的问题时,上传app时,Authenticating with the iTunes store卡住不动了。通过这篇文章可以解决
  • 别人文章有网友留言问,mv .itmstransporter/ .old_itmstransporter/ 执行出错,提示 old_itmstransporter not empty directory.
  • 遇到此问题,先使用 rm  -r -f .old_itmstransporter/ ,然在执行mv命令。
  • 第三条指令,要下载好多东西呀,经常卡在epubcheck-runner 和 asperasupport ,让mac自己下了一宿都没搞定。
  • 第二天早上,Ctrl+C 重新来一遍,15min搞定了,也许就是单纯网络问题。
  • 对了发布时还需要提供技术支持网站,有网友说可以提供博客。因为我的身份是国外开发者,所以域名注册和服务器都选择美国wordpress。
  • 当然啦,国内开发者可以选用cnblog
  • 网站加域名的费用全下来,大概60美金一年,不过这个网站到是可以为后续其他项目所用,网站全球可访问,中国也可以。
  • 审核时还需要为自己的app定级,主要针对性和暴力。最好情况就是4岁就可以play。
  • 还要提交关于IDFA的信息,IDFA是一串16进制的32位串。有了IDFA之后,相当于广告追踪,你所有的浏览历史都会别的商家利用,给你推相同或相似的广告。关于这一点有广告的同学提前就要注意了。
  • 还要确定程序是否使用encryption加密api。关于这一点有使用加密算法的同学提前就要注意了。
  • 提交成功后,笔者等了大概不到30个小时,游戏就审核通过。
  • 审核通过后,游戏依旧不能上线,你需要完善你的合法银行卡纳税号。当然免费游戏这部可以跳过直接上线。

7,提交后可以先进行testfight

  • 这个东西还蛮不错了,把app提交之后。在审核之前,可以自己进行内部测试。
  • 测试app通过testfight 下载。
  • testfight能反馈各项数据给你,还可自定义测试受众。

8,心语

  • 这个游戏全球上线了~ 除了我的祖国~
  • 避免任何广告嫌疑,我在正文中,没有提到任何我游戏的名称。
  • 该游戏下载免费,没有内购,没有广告。我只是单纯的表达自己一下自己对stg理解,完整的走一遍苹果从开发到上线流程。
  • 这个项目共花了我一个人3周时间。游戏量级较小,但游戏框架支持继续扩展更多关卡和更多的武器,不过需要买更多的美术资源和音乐资源,有点伤。

关于本文有任何疑问,欢迎您在评论区留言。笔者生活在成都,如有合作意向,可以私信我。

【原创文章,禁止转载】谢谢合作

 

转载于:https://www.cnblogs.com/tangzhenqiang/p/9377185.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值