解决部分手机读取obb失败的问题

      最近发现,有很小一部分海外的玩家在谷歌商店下载游戏之后,进游戏黑屏。从bugly上面查看报错日志,发现是读取obb文件失败了。谷歌商店规定超过100m的apk,需要分离obb上传。所以这种情况只会出现在谷歌商店的游戏包里面。
      我的项目里面读取obb是分成2种情况的,第一种,是unity本身的api读取,比如Resources.Load()方法。另一种,是通过java原始方法,找到obb文件的路径,然后通过getInputStream方法,把obb文件当作是zip包一样读取。
      经过多方面的排除,发现是某些特定的机型,在READ_EXTERNAL_STORAGE(读取外部存储)的权限禁止的情况下,会出现一个外部存储没挂载的情况,从Environment.getExternalStorageState()方法返回了"unmounted"。
在这种情况下,getObbDir()得到的路径会访问不了,所以导致了obb文件加载不到。很神奇的是,如果不用obb,单纯用unity本身的Application.persistentDataPath,获取的路径是可操作的,这个路径按正常的理解,是在data/storage/emulated/0/Android/data/com.xxx.xxx/files下,而obb的路径一般是在data/storage/emulated/0/Android/obb/com.xxx.xxx下,难道是Android/data/不需要权限,而Android/obb/需要权限?
      带着这个疑问,我尝试着把Application.persistentDataPath在unity里面用OnGUI显示出来,然后分别打开和禁用READ_EXTERNAL_STORAGE权限。终于发现了问题的所在。
当有读权限的时候,应用默认访问的路径是data/storage/emulated/0/Android/文件夹
当读写权限被禁止的时候,storage目录被禁止访问,就是所谓的没有挂载,所以会分配了另外一个目录作为程序的默认访问目录:data/user/0/ 其中0是用户序号,据说安卓6.0之后支持多用户,所以有这个文件夹。
      Unity的api对obb读取方式应该是独立于正常资源的,persistentDataPath可以正常的获取到路径,但obb的路径估计还是通过getObbDir之类的方法得到的,所以导致了路径不能访问,加载obb失败了。
      我们一直讨论的都是某部分特殊的手机,正常的手机不会这样,正常手机在禁用了READ_EXTERNAL_STORAGE权限之后,还是能正常访问data/storage/emulated/0/Android/文件夹的,Environment.getExternalStorageState()获取也是"mounted"的。然后,这种问题当然只会出现在安卓6.0及以上的手机,因为6.0以下的手机不存在动态申请权限的操作。
      于是尝试获取权限去解决这个问题。正常的思路很简单,只需要在游戏启动的时候,判断一下是否拥有这个权限,如果没有权限就弹出动态权限申请的弹窗,让用户同意授权就行了。
      然而实际操作中,发现这部分的手机,在设置里面的权限授权状态如果是禁止的,那么他就根本不会弹出授权窗口,直接就返回了拒绝。这个情况,我个人的猜测是,安卓6.0以后的系统,对于权限一般会有允许,询问,禁止三种,然后在禁止的时候,一般会有个小选项,“禁止后不再提示”。但在出问题的手机系统里面,实际上是没有询问这种状态的,如果在设置里面禁止了,等同的效果是禁止后不再提示。
      所以,我们还是不能通过权限弹窗去解决这个问题。我们可以帮助玩家跳转到手机设置面板去,让玩家手动去修改设置。跳转的方法是:
Intent myAppSettings = new Intent(Settings.ACTION_APPLICATION_DETAILS_SETTINGS, Uri.parse(“package:” + getPackageName()));
startActivityForResult(myAppSettings, REQUEST_APP_SETTINGS);
但这种操作比较的不友好,玩家也不一定知道怎样操作。
      最终我们想达到的目的是让伤害降低到最小,让大部分正常的玩家还是可以通过权限弹窗去授权权限,让小部分不会弹窗的用户,跳转去手机设置面板。于是不能通过权限去直接判断是否需要弹窗。幸好之前我们在判断挂载方式的时候,发现了这种手机的特点是如果禁止读取外部存储权限时,挂载方式是"unmounted"的,所以我们可以通过挂载方式,先判断一下。如果发现了"unmounted"的,就先提示玩家去手动设置授权。

### YOLOv8-OBB 数据读取的实现位置与源码分析 YOLOv8-OBB 是一种基于旋转框的目标检测模型,其数据读取流程主要依赖于 Ultralytics 提供的基础框架。以下是对其数据读取实现位置及其源码的具体分析: #### 1. **数据配置文件** 在 YOLOv8 中,数据读取的核心在于 YAML 格式的配置文件。该文件定义了训练集、验证集路径以及其他参数。例如,在 `coco8.yaml` 文件中会指定图像目录和标注文件的位置[^2]。 ```yaml train: ../datasets/coco/train2017 # 训练集路径 val: ../datasets/coco/val2017 # 验证集路径 nc: 80 # 类别数量 names: ['person', 'bicycle', ...] # 类别名称列表 ``` 此配置文件会被加载到模型实例化过程中,用于初始化数据管道。 --- #### 2. **数据增强与预处理** YOLOv8-OBB 的预处理部分可以沿用 YOLOv5 的逻辑,主要包括图像缩放、归一化以及可能的数据增强操作。这些步骤通常封装在一个自定义的 Dataset 类中,并通过 PyTorch DataLoader 加载数据[^1]。 具体来说,Ultralytics 框架会在以下模块中完成数据读取: - **Dataset 定义**: 在 `ultralytics/datasets/yolo.py` 或类似的文件中,定义了一个继承自 `torch.utils.data.Dataset` 的类。 - **Transforms 应用**: 图像经过一系列变换(如随机裁剪、翻转等),最终转换为张量形式并标准化。 代码片段示例: ```python from torchvision.transforms import ToTensor class CustomDataset(torch.utils.data.Dataset): def __init__(self, data_config, transforms=None): self.images = [...] # 从 YAML 文件加载图片路径 self.labels = [...] # 对应的标注信息 self.transforms = transforms or ToTensor() def __getitem__(self, idx): img_path = self.images[idx] label = self.labels[idx] img = cv2.imread(img_path) # 使用 OpenCV 读取图像 if self.transforms: img = self.transforms(img) return img, label def __len__(self): return len(self.images) ``` --- #### 3. **解码阶段** 在后处理中,YOLOv8-OBB 的解码部分涉及将预测结果从网络输出映射回实际坐标系。这部分代码位于模型的前向传播函数 (`forward`) 中,或者作为独立工具函数存在。对于旋转框的支持,需要额外计算角度信息[^4]。 典型解码逻辑如下所示: ```python def decode_bounding_boxes(predictions, anchors, stride): """ 将网络输出解码为标准边界框格式。 参数: predictions (Tensor): 网络预测值 anchors (list): 锚点尺寸 stride (int): 特征图步幅 返回: Tensor: 解码后的边界框 """ xywha = predictions[..., :5] # 取出中心点偏移、宽高及角度 obj_conf = predictions[..., 4].sigmoid() # 获取置信度分数 cls_prob = predictions[..., 5:].softmax(-1) # 类别概率分布 grid_x, grid_y = torch.meshgrid( torch.arange(xywha.shape[-2]), torch.arange(xywha.shape[-1]) ) bbox_xy = (xywha[..., :2].sigmoid() + torch.stack([grid_x, grid_y])) * stride bbox_wh = (xywha[..., 2:4].exp() * anchors.unsqueeze(-1)).transpose(-1, -2) angle = xywha[..., 4:] # 角度信息保持不变 decoded_boxes = torch.cat([bbox_xy, bbox_wh, angle], dim=-1) return decoded_boxes ``` --- #### 4. **NMS 过滤** 非极大值抑制 (Non-Maximum Suppression, NMS) 是目标检测的重要环节之一。在 YOLOv8-OBB 中,为了适配旋转框结构,需对传统 NMS 方法稍作调整。例如,使用 IoU 计算时考虑矩形重叠区域的角度差异[^3]。 CUDA 实现版本的伪代码如下: ```cpp static __global__ void nms_kernel_OBB(float* bboxes, int max_objects, float threshold){ int position = blockDim.x * blockIdx.x + threadIdx.x; int count = min((int)*bboxes, max_objects); if(position >= count) return; // 当前线程负责的候选框索引 float* current_box = bboxes + 1 + position * NUM_BOX_ELEMENT; for(int i = 0; i < count; ++i){ if(i == position) continue; float* other_box = bboxes + 1 + i * NUM_BOX_ELEMENT; if(other_box[CONFIDENCE_INDEX] > current_box[CONFIDENCE_INDEX]){ float rotated_iou = compute_rotated_iou(current_box, other_box); if(rotated_iou > threshold){ current_box[KEEP_FLAG_INDEX] = 0; // 被过滤掉 break; } } } } ``` --- ### 总结 YOLOv8-OBB 的数据读取功能分布在多个组件之间,核心包括: 1. YAML 配置文件定义数据路径; 2. 自定义 Dataset 类执行图像加载与预处理; 3. 前向传播期间调用解码器生成旋转框; 4. 后续应用改进版 NMS 抑制冗余预测。 以上各部分共同构成了完整的数据流管线。 ---
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