当前位置: 首页 > news >正文

Unity游戏开发中的网格简化与LOD技术(Mesh Simplification LOD)

在Unity游戏开发中,网格简化(Mesh Simplification)和LOD(Level of Detail)技术是优化渲染性能的关键手段,尤其在处理复杂场景和高精度模型时至关重要。以下是一套系统的实现方案与优化策略:


一、网格简化(Mesh Simplification)

1. 核心目标
  • 降低顶点/三角面数:减少GPU渲染负载

  • 保持视觉保真度:在简化过程中尽可能保留轮廓特征

  • 适配目标平台:移动端、PC端或主机端的性能差异

2. 常用算法与工具
方法原理Unity集成方案
边折叠(Edge Collapse)合并相邻边,逐步减少顶点数量Mesh Simplify组件
顶点聚类(Vertex Clustering)将顶点分组到立方体网格,合并邻近顶点Unity ProBuilder(基础简化功能)
二次误差度量(Quadric Error Metrics)通过几何误差评估顶点重要性第三方工具(如Simplygon、InstantLOD)
3. 实现步骤

csharp

复制

// 使用UnityMeshSimplifier插件示例
using UnityMeshSimplifier;public Mesh SimplifyMesh(Mesh originalMesh, float quality) {var simplifier = new MeshSimplifier();simplifier.Initialize(originalMesh);simplifier.SimplifyMesh(quality); // quality范围0~1(0为最简化)return simplifier.ToMesh();
}// 运行时动态简化(适用于Procedural Mesh)
void Start() {MeshFilter mf = GetComponent<MeshFilter>();mf.mesh = SimplifyMesh(mf.mesh, 0.3f); // 保留30%细节
}
4. 优化技巧
  • 特征保留权重:为关键区域(如角色面部、机械关节)设置更高的保护权重

  • UV边界保护:避免简化导致纹理撕裂

  • LOD链生成:预先生成多个简化级别(如LOD0:100%, LOD1:50%, LOD2:20%)


二、LOD(Level of Detail)技术

1. 基础实现
  • Unity原生LOD Group组件

    csharp

    复制

    // 手动设置LOD层级
    LODGroup lodGroup = gameObject.AddComponent<LODGroup>();
    LOD[] lods = new LOD[3];// LOD0(高清模型,摄像机距离0-10米时显示)
    lods[0] = new LOD(0.5f, new Renderer[] { highDetailModel.GetComponent<Renderer>() });// LOD1(中模,10-20米)
    lods[1] = new LOD(0.2f, new Renderer[] { midDetailModel.GetComponent<Renderer>() });// LOD2(低模,20米以上)
    lods[2] = new LOD(0.01f, new Renderer[] { lowDetailModel.GetComponent<Renderer>() });lodGroup.SetLODs(lods);
    lodGroup.RecalculateBounds();
2. 高级优化策略
  • 动态LOD生成

    csharp

    复制

    // 运行时根据距离生成简化网格(需结合简化算法)
    void Update() {float distance = Vector3.Distance(transform.position, Camera.main.transform.position);if (distance > 30f && currentLOD != 2) {ApplyLOD(2); // 切换到最低细节}// 其他距离判断...
    }
  • 屏幕空间覆盖度计算

    csharp

    复制

    // 根据对象在屏幕中的占比动态调整LOD
    float CalculateScreenCoverage(Renderer renderer) {Bounds bounds = renderer.bounds;Vector3 center = Camera.main.WorldToScreenPoint(bounds.center);Vector3 extents = Camera.main.WorldToScreenPoint(bounds.extents) - center;float screenArea = (extents.x * 2) * (extents.y * 2);return screenArea / (Screen.width * Screen.height);
    }
3. 混合技术
  • LOD + Impostor

    • 用2D平面(带法线贴图)替代远距离模型

    • 实现方案:

      csharp

      复制

      // 使用Shader实现Billboard Impostor
      Shader "Custom/Impostor" {Properties {_MainTex ("Albedo", 2D) = "white" {}_NormalMap ("Normal Map", 2D) = "bump" {}}SubShader {Tags { "RenderType"="Opaque" }Pass {CGPROGRAM#pragma vertex vert#pragma fragment frag// 实现动态朝向摄像机的平面渲染ENDCG}}
      }
  • LOD + GPU Instancing

    csharp

    复制

    MaterialPropertyBlock props = new MaterialPropertyBlock();
    Mesh lodMesh = GetCurrentLODMesh();
    Graphics.DrawMeshInstanced(lodMesh, 0, material, matrices, count, props);

三、性能分析与调试

1. 关键指标监控
  • GPU Rendering Time:通过Unity Profiler检查每帧渲染耗时

  • Batch Count:LOD切换对合批的影响

  • Triangle Count:使用Stats面板(快捷键Ctrl+7)实时查看

2. 调试工具
  • Scene视图LOD可视化

    csharp

    复制

    // 在编辑器脚本中绘制LOD切换范围
    [DrawGizmo(GizmoType.Selected | GizmoType.NonSelected)]
    static void DrawLODGizmos(LODGroup lodGroup, GizmoType gizmoType) {LOD[] lods = lodGroup.GetLODs();for (int i = 0; i < lods.Length; i++) {Gizmos.color = Color.Lerp(Color.green, Color.red, i / (float)lods.Length);Gizmos.DrawWireSphere(lodGroup.transform.position, lodGroup.size * lods[i].screenRelativeTransitionHeight);}
    }

四、最佳实践

1. 美术规范
  • 顶点数量分级(参考值):

    平台LOD0LOD1LOD2
    PC/主机10k-50k5k-20k1k-5k
    移动端5k-15k1k-5k300-1k
  • 纹理分级策略

    • 随LOD级别降低纹理分辨率(如2048→1024→512)

    • 使用Mipmap确保远距离纹理质量

2. 代码级优化
  • 异步LOD切换

    csharp

    复制

    IEnumerator SwitchLODCoroutine(int targetLOD) {if (isLODChanging) yield break;isLODChanging = true;// 预加载目标LOD资源ResourceRequest request = Resources.LoadAsync<Mesh>($"LOD{targetLOD}");yield return request;// 淡出当前模型StartCoroutine(FadeOut(currentRenderer));// 淡入新模型Mesh newMesh = request.asset as Mesh;ApplyNewMesh(newMesh);StartCoroutine(FadeIn(newRenderer));isLODChanging = false;
    }
3. 管线集成
  • HDRP/LWRP适配

    • 在HDRP中启用LOD Cross-Fade实现平滑过渡

    • 使用Shader Graph实现LOD材质降级


五、扩展工具链

  1. Simplygon/InstantLOD:自动化生成LOD链

  2. MeshBaker:合并LOD网格减少Draw Call

  3. Occlusion Culling + LOD:结合遮挡剔除进一步提升性能


六、总结

  • 平衡法则:在视觉质量损失不超过10%的前提下,尽可能减少50%以上的三角面数

  • 动态调整:根据设备性能实时调节LOD切换阈值(如移动端更激进)

  • 全链路优化:从建模阶段开始规划LOD策略,而非后期补救

通过合理应用网格简化与LOD技术,可在典型场景中实现:

  • GPU渲染时间降低30%-70%

  • Draw Call减少40%-60%

  • 内存占用下降20%-50%

最终实现复杂场景在移动端稳定30/60FPS、PC/主机端4K高帧率渲染的目标。

相关文章:

Unity游戏开发中的网格简化与LOD技术(Mesh Simplification LOD)

在Unity游戏开发中&#xff0c;网格简化&#xff08;Mesh Simplification&#xff09;和LOD&#xff08;Level of Detail&#xff09;技术是优化渲染性能的关键手段&#xff0c;尤其在处理复杂场景和高精度模型时至关重要。以下是一套系统的实现方案与优化策略&#xff1a; 一、…...

3.7[Q]CV

对于一个由cmake构建的项目&#xff0c;什么时候应该执行cmake指令&#xff1f;什么时候执行make指令&#xff1f;即&#xff0c;一个cmake构建的项目&#xff0c;各步骤的意义是什么&#xff1f;当我修改了部分代码后&#xff0c;重启项目该执行什么命令&#xff1f; view,mod…...

发行思考:全球热销榜的频繁变动

几点杂感&#xff1a; 1、单机游戏销量与在线人数的衰退是剧烈的&#xff0c;有明显的周期性&#xff0c;而在线游戏则稳定很多。 如去年的某明星游戏&#xff0c;最高200多万在线&#xff0c;如今在线人数是48名&#xff0c;3万多。 而近期热门的是MH&#xff0c;在线人数8…...

Springboot全局LocalDateTime时间格式化配置

我们对字段的日期格式化时一般会用注解: JsonFormat(pattern "yyyy-MM-dd HH:mm:ss", timezone "GMT8")private Date createDate;但是每个字段都要写也太麻烦了 不是我的全局化作风 在application.yml中配置全局时间格式化只会对Date类型有用: jackson:d…...

Redis主从复制

目录 点单问题 启动多个redis服务器 配置主从结构 查看主从结构信息 断开主从结构 修改主从结构 主从复制的拓扑结构 主从复制的基本流程 全量复制和部分复制 全量复制的流程 部分复制的流程 实时复制的流程 主从复制总结 主从复制是基于分布式系统进行讨论的&am…...

玩转python:掌握Python数据结构之栈Stack

栈&#xff08;Stack&#xff09;是计算机科学中一种非常基础且重要的数据结构。它的特点是后进先出&#xff08;LIFO&#xff0c;Last In First Out&#xff09;&#xff0c;就像我们生活中叠盘子一样&#xff0c;最后放上去的盘子总是最先被拿走。本文将用通俗易懂的语言和丰…...

电脑如何拦截端口号,实现阻断访问?

如果你弟弟喜欢玩游戏&#xff0c;你可以查询该应用占用的端口&#xff0c;结合以下方法即可阻断端口号&#xff0c;让弟弟好好学习&#xff0c;天天向上&#xff01; 拦截端口可以通过防火墙和路由器进行拦截 &#xff0c;以下是常用方法&#xff1a; 方法 1&#xff1a;使用…...

DeepSeek 医疗大模型微调实战讨论版(第一部分)

DeepSeek医疗大模型微调实战指南第一部分 DeepSeek 作为一款具有独特优势的大模型,在医疗领域展现出了巨大的应用潜力。它采用了先进的混合专家架构(MoE),能够根据输入数据的特性选择性激活部分专家,避免了不必要的计算,极大地提高了计算效率和模型精度 。这种架构使得 …...

Apache Httpd 多后缀解析

目录 1.原因 2.环境 3.复现 4.防御 1.Apache Httpd 多后缀解析原因 Apache HTTP Server 在处理文件请求时&#xff0c;通常会根据文件的后缀来确定如何处理该文件。例如&#xff0c;.php文件会被交给 PHP 解释器处理&#xff0c;而.html文件则直接作为静态文件返回。 然而…...

2025年03月07日Github流行趋势

项目名称&#xff1a;ai-hedge-fund 项目地址url&#xff1a;https://github.com/virattt/ai-hedge-fund项目语言&#xff1a;Python历史star数&#xff1a;12788今日star数&#xff1a;975项目维护者&#xff1a;virattt, seungwonme, KittatamSaisaard, andorsk, arsaboo项目…...

Jenkins在Windows上的使用(二):自动拉取、打包、部署

&#xff08;一&#xff09;Jenkins全局配置 访问部署好的Jenkins服务器网址localhost:8080&#xff0c;完成默认插件的安装后&#xff0c;接下来将使用SSH登录远程主机以实现自动化部署。 1. 配置插件 选择dashboard->Manage Jenkins->plugins 安装下面两个插件  …...

【JavaEE】-- 多线程(初阶)4

文章目录 8.多线程案例8.1 单例模式8.1.1 饿汉模式8.1.2 懒汉模式 8.2 阻塞队列8.2.1 什么是阻塞队列8.2.2 生产者消费者模型8.2.3 标准库中的阻塞队列8.2.4 阻塞队列的应用场景8.2.4.1 消息队列 8.2.5 异步操作8.2.5 自定义实现阻塞队列8.2.6 阻塞队列--生产者消费者模型 8.3 …...

测试直播postman+Jenkins所学

接口自动化 什么是接口&#xff1f;本质上就是一个url&#xff0c;用于提供数据。后台程序提供一种数据地址&#xff0c;接口的数据一般是从数据库中查出来的。 postman自动化实操&#xff1a; 一般来说公司会给接口文档&#xff0c;如果没有&#xff0c;通过拦截&#xff0c…...

5人3小时复刻Manus?开源OpenManus项目全解剖,我的DeepSeek股票报告这样诞生

大家好,我是大 F,深耕AI算法十余年,互联网大厂技术岗。分享AI算法干货、技术心得。 更多文章可关注《大模型理论和实战》、《DeepSeek技术解析和实战》,一起探索技术的无限可能! OpenManus是什么 1. 项目背景 OpenManus 是由 MetaGPT 核心团队仅用 3 小时复刻而成的开源…...

【javaEE】多线程(基础)

1.❤️❤️前言~&#x1f973;&#x1f389;&#x1f389;&#x1f389; Hello, Hello~ 亲爱的朋友们&#x1f44b;&#x1f44b;&#xff0c;这里是E绵绵呀✍️✍️。 如果你喜欢这篇文章&#xff0c;请别吝啬你的点赞❤️❤️和收藏&#x1f4d6;&#x1f4d6;。如果你对我的…...

0.大模型开发知识点需求综述

文章目录 一、机器学习与深度学习基础二、自然语言处理&#xff08;NLP&#xff09;基础三、大模型架构四、训练优化技术五、数据处理与预处理六、分布式训练与并行化策略七、微调方法与参数高效微调八、训练框架、工具与自动化流程九、评估与部署十、前沿技术与未来趋势 已更新…...

WHAT - 前端阻塞场景梳理

目录 前言场景梳理1. JavaScript 执行阻塞主线程场景优化思路具体代码示例1. 长时间运行的同步 JavaScript 代码2. 过多的主线程任务&#xff08;如频繁的 setTimeout/setInterval&#xff09;3. 未优化的第三方库或框架初始化逻辑总结 2. 样式计算与布局&#xff08;Layout&am…...

微前端框架 Qiankun 的应用及问题分析

一、Qiankun 的核心应用场景与优势 多技术栈共存与灵活集成 Qiankun 支持主应用与子应用使用不同技术栈&#xff08;如 Vue、React、Angular 等&#xff09;&#xff0c;通过 HTML Entry 方式接入子应用&#xff0c;无需深度改造子应用即可实现集成&#xff0c;降低了技术迁移成…...

bash: uwsgi: 未找到命令

针对你提出的“bash: uwsgi: command not found”问题&#xff0c;以下是一些可能的解决方案&#xff0c;请按照步骤逐一排查&#xff1a; ‌1、检查uwsgi命令是否正确‌&#xff1a; 确保你输入的命令是uwsgi&#xff0c;而不是uWSGI或其他变体。 ‌2、确认uwsgi是否已安装‌&…...

HAL库,配置adc基本流程

1. 初始化阶段---cubemx (1) GPIO初始化 函数&#xff1a;HAL_GPIO_Init() 作用&#xff1a;配置ADC引脚为模拟输入模式。 代码示例&#xff1a; // 使能GPIOA时钟 __HAL_RCC_GPIOA_CLK_ENABLE();// 配置PA1为模拟输入 GPIO_InitTypeDef GPIO_InitStruct {0}; GPIO_InitStr…...

【Unity】 HTFramework框架(六十一)Project窗口文件夹锁定器

更新日期&#xff1a;2025年3月7日。 Github源码&#xff1a;[点我获取源码] Gitee源码&#xff1a;[点我获取源码] 索引 Project窗口文件夹锁定器框架文件夹锁定自定义文件夹锁定限制条件 Project窗口文件夹锁定器 在Project窗口中&#xff0c;文件夹锁定器能够为任何文件夹加…...

网络安全技术整体架构 一个中心三重防护

网络安全技术整体架构&#xff1a;一个中心三重防护 在信息技术飞速发展的今天&#xff0c;网络安全的重要性日益凸显。为了保护信息系统不受各种安全威胁的侵害&#xff0c;网络安全技术整体架构应运而生。本文将详细介绍“一个中心三重防护”的概念&#xff0c;并结合代码示…...

《AJAX:前端异步交互的魔法指南》

什么是AJAX AJAX&#xff08;Asynchronous JavaScript and XML&#xff0c;异步 JavaScript 和 XML&#xff09; 是一种用于创建异步网页应用的技术&#xff0c;允许网页在不重新加载整个页面的情况下&#xff0c;与服务器交换数据并局部更新页面内容。尽管名称中包含 XML&…...

Elasticsearch 2025/3/7

高性能分布式搜索引擎。 数据库模糊搜索比较慢&#xff0c;但用搜索引擎快多了。 下面是一些搜索引擎排名 Lucene是一个Java语言的搜索引擎类库&#xff08;一个工具包&#xff09;&#xff0c;apache公司的顶级项目。 优势&#xff1a;易扩展、高性能&#xff08;基于倒排索引…...

LLM论文笔记 19: On Limitations of the Transformer Architecture

Arxiv日期&#xff1a;2024.2.26机构&#xff1a;Columbia University / Google 关键词 Transformer架构幻觉问题数学谜题 核心结论 1. Transformer 无法可靠地计算函数组合问题 2. Transformer 的计算能力受限于信息瓶颈 3. CoT 可以减少 Transformer 计算错误的概率&#x…...

那年周五放学

2025年3月7日&#xff0c;周五&#xff0c;天气晴&#xff0c;脑子一瞬间闪过02-05年中学期间某个周五下午&#xff0c;17:00即将放学的场景&#xff0c;那种激动&#xff0c;那种说不上的欣喜感&#xff0c;放学后&#xff0c;先走一段316国道&#xff0c;再走一段襄渝铁路&am…...

002-SpringCloud-OpenFeign(远程调用)

SpringCloud-OpenFeign 1.引入依赖2.编写一个远程调用接口3.测试 1.引入依赖 <dependency><groupId>org.springframework.cloud</groupId><artifactId>spring-cloud-starter-openfeign</artifactId> </dependency><dependencyManageme…...

SAP 顾问的五年职业规划

SAP 顾问的职业发展受到技术进步、企业需求变化和全球经济环境的影响&#xff0c;因此制定长远规划充满挑战。面对 SAP 产品路线图的不确定性&#xff0c;如向 S/4HANA 和 Business Technology Platform (BTP) 的转变&#xff0c;顾问必须具备灵活性&#xff0c;以保持竞争力和…...

Pandas使用stack和pivot实现数据透视

Pandas的stack和pivot实现数据透视 经过统计得到多维度指标数据非常常见的统计场景&#xff0c;指定多个维度&#xff0c;计算聚合后的指标 案例&#xff1a;统计得到“电影评分数据集”&#xff0c;每个月份的每个分数被评分多少次&#xff1a;&#xff08;月份&#xff0c;分…...

图像生成-ICCV2019-SinGAN: Learning a Generative Model from a Single Natural Image

图像生成-ICCV2019-SinGAN: Learning a Generative Model from a Single Natural Image 文章目录 图像生成-ICCV2019-SinGAN: Learning a Generative Model from a Single Natural Image主要创新点模型架构图生成器生成器源码 判别器判别器源码 损失函数需要源码讲解的私信我 S…...

c++ 操作符重载详解与示例

c 操作符重载详解与示例 操作符重载详解一、基本规则二、必须作为成员函数重载的运算符1. 赋值运算符 2. 下标运算符 []3. 函数调用运算符 ()4. 成员访问运算符 ->5. 转型运算符 三、通常作为非成员函数重载的运算符1. 算术运算符 2. 输入/输出运算符 << >> 四、…...

在Spring Boot项目中分层架构

常见的分层架构包括以下几层: 1. Domain 层(领域层) 作用:领域层是业务逻辑的核心,包含与业务相关的实体类、枚举、值对象等。它是对业务领域的抽象,通常与数据库表结构直接映射。 主要组件: 实体类(Entity):与数据库表对应的Java类,通常使用JPA或MyBatis等ORM框架…...

upload-labs详解(1-12)文件上传分析

目录 uploa-labs-main upload-labs-main第一关 前端防御 绕过前端防御 禁用js Burpsuite抓包改包 upload-labs-main第二关 上传测试 错误类型 upload-labs-env upload-labs-env第三关 上传测试 查看源码 解决方法 重命名&#xff0c;上传 upload-labs-env第四关…...

无人机应用探索:玻纤增强复合材料的疲劳性能研究

随着无人机技术的快速发展&#xff0c;轻量化已成为其结构设计的核心需求。玻纤增强复合材料凭借高强度、低密度和优异的耐环境性能&#xff0c;成为无人机机身、旋翼支架等关键部件的理想选择。然而&#xff0c;无人机在服役过程中需应对复杂多变的环境&#xff1a;高空飞行时…...

计算机毕业设计Python+DeepSeek-R1大模型空气质量预测分析(源码+文档+PPT+讲解)

温馨提示&#xff1a;文末有 CSDN 平台官方提供的学长联系方式的名片&#xff01; 温馨提示&#xff1a;文末有 CSDN 平台官方提供的学长联系方式的名片&#xff01; 温馨提示&#xff1a;文末有 CSDN 平台官方提供的学长联系方式的名片&#xff01; 作者简介&#xff1a;Java领…...

【渗透测试】基于时间的盲注(Time-Based Blind SQL Injection)

发生ERROR日志告警 查看系统日志如下&#xff1a; java.lang.IllegalArgumentException: Illegal character in query at index 203: https://api.weixin.qq.com/sns/jscode2session?access_token90_Vap5zo5UTJS4jbuvneMkyS1LHwHAgrofaX8bnIfW8EHXA71IRZwsqzJam9bo1m3zRcSrb…...

学习threejs,Animation、Core、CustomBlendingEquation、Renderer常量汇总

&#x1f468;‍⚕️ 主页&#xff1a; gis分享者 &#x1f468;‍⚕️ 感谢各位大佬 点赞&#x1f44d; 收藏⭐ 留言&#x1f4dd; 加关注✅! &#x1f468;‍⚕️ 收录于专栏&#xff1a;threejs gis工程师 文章目录 一、&#x1f340;前言1.1 ☘️Animation常量汇总1.1.1 循…...

2、数据库的基础学习(中):分组查询、连接查询 有小例子

二、分组函数 功能&#xff1a;用作统计使用&#xff0c;又称为聚合函数或者统计函数或组函数 1、分类&#xff1a; sum 求和、avg 平均值、max最大值、min 最小值、count 计算个数 2、参数支持哪些类型 ​ Sum\avg 一般处理数值型数据 ​ max、min 可以数值型也可以字符型…...

Ubuntu搭建最简单WEB服务器

安装apache2 sudo apt install apache2 检查状态 $ sudo systemctl status apache2 ● apache2.service - The Apache HTTP ServerLoaded: loaded (/lib/systemd/system/apache2.service; enabled; vendor prese>Active: active (running) since Thu 2025-03-06 09:51:10…...

如何学习编程?

如何学习编程&#xff1f; 笔记来源&#xff1a;How To Study Programming The Lazy Way 声明&#xff1a;该博客内容来自链接&#xff0c;仅作为学习参考 写在前面的话&#xff1a; 大多数人关注的是编程语言本身&#xff0c;而不是解决问题和逻辑思维。不要试图记住语言本身…...

OpenCV计算摄影学(14)实现对比度保留去色(Contrast Preserving Decolorization)的函数decolor()

操作系统&#xff1a;ubuntu22.04 OpenCV版本&#xff1a;OpenCV4.9 IDE:Visual Studio Code 编程语言&#xff1a;C11 算法描述 将彩色图像转换为灰度图像。它是数字印刷、风格化的黑白照片渲染&#xff0c;以及许多单通道图像处理应用中的基本工具。 cv::decolor 是 OpenCV…...

K8s 1.27.1 实战系列(七)Deployment

一、Deployment介绍 Deployment负责创建和更新应用程序的实例,使Pod拥有多副本,自愈,扩缩容等能力。创建Deployment后,Kubernetes Master 将应用程序实例调度到集群中的各个节点上。如果托管实例的节点关闭或被删除,Deployment控制器会将该实例替换为群集中另一个节点上的…...

Python第十五课:机器学习入门 | 从猜想到预测

&#x1f3af; 本节目标 理解机器学习两大核心范式&#xff08;监督/无监督学习&#xff09;掌握特征工程的核心方法论实现经典算法&#xff1a;线性回归与K-Means聚类开发实战项目&#xff1a;房价预测模型理解模型评估与调优基础 一、机器学习核心概念&#xff08;学生与老师…...

python 程序一次启动有两个进程的问题(flask)

0. 背景 写了一个使用 flask 作为服务框架的程序&#xff0c;发现每次启动程序的时候&#xff0c;使用 ps 都能观察到两个 python 进程。 此外&#xff0c;这个程序占用了 GPU 资源&#xff0c;我发现有两个 python 进程&#xff0c;分别占用了完全相同的 GPU 显存 1. 原因 …...

使用jcodec库,访问网络视频提取封面图片上传至oss

注释部分为FFmpeg&#xff08;确实方便但依赖太大&#xff0c;不想用&#xff09; package com.zuodou.upload;import com.aliyun.oss.OSS; import com.aliyun.oss.model.ObjectMetadata; import com.aliyun.oss.model.PutObjectRequest; import com.zuodou.oss.OssProperties;…...

MyBatis-Plus 与 Spring Boot 的最佳实践

在现代 Java 开发中,MyBatis-Plus 和 Spring Boot 的结合已经成为了一种非常流行的技术栈。MyBatis-Plus 是 MyBatis 的增强工具,提供了许多便捷的功能,而 Spring Boot 则简化了 Spring 应用的开发流程。本文将探讨如何将 MyBatis-Plus 与 Spring Boot 进行整合,并分享一些…...

python-51-使用最广泛的数据验证库Pydantic

文章目录 1 Pydantic2 models2.1 基本模型应用2.1.1 实例化2.1.2 访问属性2.1.3 修改属性2.2 嵌套模型【Optional】3 Fields3.1 Field()函数3.2 带注释的模式Annotated3.3 默认值3.3.1 default参数3.3.2 default_factory3.4 字段别名3.5 数字约束3.6 字符串约束3.7 严格模式4 A…...

Linux - 网络基础(应用层,传输层)

一、应用层 1&#xff09;发送接收流程 1. 发送文件 write 函数发送数据到 TCP 套接字时&#xff0c;内容不一定会立即通过网络发送出去。这是因为网络通信涉及多个层次的缓冲和处理&#xff0c;TCP 是一个面向连接的协议&#xff0c;它需要进行一定的排队、确认和重传等处理…...

ADB、Appium 和 大模型融合开展移动端自动化测试

将 ADB、Appium 和 大模型(如 GPT、LLM) 结合,可以显著提升移动端自动化测试的智能化水平和效率。以下是具体的实现思路和应用场景: 1. 核心组件的作用 ADB(Android Debug Bridge): 用于与 Android 设备通信,执行设备操作(如安装应用、获取日志、截图等)。Appium: 用…...

【Pandas】pandas Series unstack

Pandas2.2 Series Computations descriptive stats 方法描述Series.argsort([axis, kind, order, stable])用于返回 Series 中元素排序后的索引位置的方法Series.argmin([axis, skipna])用于返回 Series 中最小值索引位置的方法Series.argmax([axis, skipna])用于返回 Series…...