Unity扩展:ArrayDrawer使用指南

Unity扩展:ArrayDrawer使用指南

UnityExtensions.ArrayDrawerArrayDrawer is a base class like PropertyDrawer, but for arrays and lists.项目地址:https://gitcode.com/gh_mirrors/un/UnityExtensions.ArrayDrawer

1. 项目介绍

Unity Extensions ArrayDrawer 是一个为Unity开发者设计的开源项目,旨在简化数组和列表在Inspector视图中的自定义编辑体验。此项目提供了一个基类 ArrayDrawer,类似于Unity的标准 PropertyDrawer,但专为数组和列表定制。它解决了标准Unity编辑器在处理数组时的限制,使得我们可以为数组元素本身或整个数组实现高度可定制化的界面。特别是,通过 ReorderableListDrawer 组件,项目支持以更直观的方式展示和操作数组元素,甚至支持将数组元素作为子资源保存在同一Unity资产文件中。

2. 项目快速启动

要开始使用Unity Extensions ArrayDrawer,您需要先将其集成到您的Unity项目中。

安装步骤:

方法一:通过Unity Package Manager安装
  1. 打开Unity Hub或Unity编辑器。
  2. 在项目视图中,导航至 Packages > Manage Package for Project...
  3. 选择“Add Package from Git URL...”选项。
  4. 输入项目Git仓库地址:https://github.com/garettbass/UnityExtensions.ArrayDrawer.git,然后点击“添加”。
方法二:手动添加到项目
  1. 克隆此GitHub仓库到本地。
  2. 将克隆下来的 UnityExtensions.ArrayDrawer 文件夹直接拖入Unity项目的 AssetsPackages 目录下。

使用示例:

在您的脚本中,可以这样应用这个库:

using UnityEngine;
using UnityEditor;

[Serializable]
public class MyData : ScriptableObject
{
    [TestArray] // 假设TestArray是自定义属性,用于触发ArrayDrawer的行为
    [SerializeField]
    private TestStruct[] _myStructs;

    [System.Serializable]
    public struct TestStruct
    {
        public string Name;
        public int Field1;
        public float Field2;
    }
}

确保您也定义了相应的 CustomPropertyDrawer 类来处理 [TestArray] 属性。

3. 应用案例和最佳实践

最佳实践:

  • 利用 ReorderableListDrawer 提高数组编辑效率,尤其是管理游戏对象列表或配置数据时。
  • 实现特定场景的数组编辑器,比如使用 EnumeratedArrayDrawer 来显示每个枚举值对应的命名项,提高数据的意义清晰度。
  • 对于那些需要直观调整顺序或者频繁增删的数组数据,启用子资产功能,确保数组元素与父资产统一存储。

应用案例: 假设我们有一个角色技能系统,每个角色拥有一系列技能。这些技能可以通过应用ArrayDrawerReorderableListDrawer在Inspector面板中方便地排序和管理,从而使得非编程人员也能轻松调整角色技能序列。

public class CharacterSkills : ScriptableObject
{
    [ReorderableList]
    public Skill[] skills;
    
    // Skill结构体定义略...
}

4. 典型生态项目

虽然该项目主要关注数组和列表的编辑优化,其理念和技术可以融入更广泛的Unity开发生态系统。例如,在使用Unity进行多关卡管理、动画状态机配置或是复杂的UI布局设置中,任何涉及大量同类数据编辑的地方都可以借鉴或直接应用 UnityExtensions.ArrayDrawer 的概念。通过社区共享的最佳实践和定制化drawer实例,开发者能够进一步提升项目的可维护性和用户体验。


以上就是关于Unity Extensions ArrayDrawer的简介、快速启动指南、应用案例及其实践建议。利用这个工具,您可以大大增强Unity Editor中对数组和列表的交互能力,使资产编辑更加灵活高效。

UnityExtensions.ArrayDrawerArrayDrawer is a base class like PropertyDrawer, but for arrays and lists.项目地址:https://gitcode.com/gh_mirrors/un/UnityExtensions.ArrayDrawer

  • 2
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 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
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

打赏作者

裴辰垚Simone

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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