unity ugui学习

[Unity][UGUI]UGUI-Extensions学习--下载安装包 下载 Unity的包。导入 Unity 的项目工程参考资料:1.UnityUIExtensions Unity-UI-Extensions2.UGUI 扩展集3.(二十五)unity4.6学习Ugui中文文档-------UGUI-Extensions4.5. 阅读详情

1.关于 Rect Transform

在这里插入图片描述

Anchors 锚点:屏幕中间的小花用来固定物体的位置,针对父物体对齐
Pivot 物体的中心点:黑色物体的左下角的点为原点,而0.5,0.5相当于物体的中心点
而面板中的posx和posy都是中心点相对于锚点的长度
loacalposition:就是子物体相当于父物体的中心点的偏移量
AnchoredPosition:就是中心点相对于锚点的偏移量

2. ## 关于canvas

rendermode 渲染模式 overlay就是ui覆盖所有物体,camera就用一个相机来渲染,word把相机当作一个游戏物体。
Canvas Scale 的UI Scale Mode 里边
在这里插入图片描述
第一种根据像素大小缩放 其中下面的一项Reference Pixels Per Unit 相当于每个unity单位相当于的像素大小 如果设置成100相当于原图片大小,设置成10相当于把原像素大小缩小十倍 在image属性来有个set native size可以设置大小

在这里插入图片描述
第二种根据屏幕自适应用的比较多,没什么好说的

canvas知识点3
在这里插入图片描述
后俩个组件
第一个射线检测的阻挡
第二个是设置整体ui的透明度和是否可交互

3.关于Raw image

在这里插入图片描述
今天这里主要学习了如何把3d物体在canvas mode 中 overlay显示
(1)首先创建一个相机让对准僵尸的头部,然后创建一个renderTexture
(2)把renderTexture赋给 把相机中的targetTexture,然后在赋给把 rawImage中的 texture就行了
结果如图所示
在这里插入图片描述
uv Rect 可以通过这个实现帧动画

4.ui事件

eventsystem 是unity的事件系统,可以通过它进行时间的发送接收以及射线的投射,通过baseInputMoudle实现事件的发送到对象,通过baseRayCast确定具体对象,通过以下三种方式实现事件的接收
实现的3种方式:通过接口实现,通过event trigger 来实现,通过代码中add compotent来实现,第三种实在第二种的基础上。

接口实现
首先引用命名空间 EventSystem
可以通过这个命名空间实现拖拽,点击选中以及鼠标的滚轮滑动等事件 有些必须要有selectable这个组件才有效果(选中和系统事件)还有有的接口实现必须要在继承drag接口下才能实现。
event trigger实现
在物体上添加组件然后把相应的事件拖拽上去。

【Unity学习笔记】——基础篇:UGUI基础Image Type 先放一个讲 UGUI 的博客: 宣雨松的 UGUI 研究院 Image——Image Type: ① 在做界面时常常是美工设计好UI元素,然后程序在Unity里把它们摆一摆。比如做一个Image图标,美工设计好的尺寸是100*100,那么我们在unity里创建一个image,设置它的长宽为100*100,然后放到合适位置。有没有省事的方法呢? 看Image组件底下有一个按钮: 点 阅读详情

相关推荐

Unity 之 UGUI控件详解学习目录

对UGUI控件系列文章进行的总结的目录和学习大纲。

陈言必行 -- Unity游戏开发领域优质博主 1万+

unity transform_Unity的图片拖拽与摆放问题(实现简易拼图小游戏)

首先来看看效果https://www.zhihu.com/video/1221058687621615616从视频中可以看出,图片可以被拖动,并且自动吸附到白色方框内,并且如果当目标区域有图片的时候,两个图片互换位置,接下来就让我们来实现这个效果。首先新建一个项目,然后创建一个Panel,将其作为我们的背景,命名为BG然后再在BG下创建image,命名为PicBg来作为摆放图片的地方,调整其大小,...

weixin_39919195的博客 1471

Unity NGUI与UGUI学习教程合集

Unity是一个跨平台的游戏开发引擎,由Unity Technologies开发。自从2005年首次发布以来,它已经成为开发2D和3D游戏、模拟器以及其他实时互动内容的主要工具之一。它的普及得益于其易用性、跨平台能力以及庞大的社区支持。NGUI for Unity是游戏开发领域内非常流行的一个用户界面系统插件,被广泛应用于Unity 3D游戏开发中。它提供了一系列工具,用于创建各种交互式用户界面。NGUI主要特点包括高效、轻量级、以及高度可定制性。UI元素管理。

weixin_33759613的博客 986

Unity基础UGUI学习

2.多个Canvas使用相同Camera时,优先根据SortingLayer显示,当SortingLayer相同时,再次根据OrderInLayer显示。使用 UGUI来开发UI,离不开Canvas组件,所有的 UI 元素,一般都是放在包含 Canvas 组件的节点。Sort Order:Canvas 深度,多个 Canvas时,Sort Order 值大的在上层。Sorting Layer:Canvas深度,可以手动添加,决定显示的优先级,列表下面的优先级越高。这篇文章很详细,可以看看,

wangwen_22的博客 2556

Unity学习之UGUI登录界面制作

Unity学习之UGUI登录界面制作

weixin_45972052的博客 690

Keil5 安装与卸载全攻略:从零开始到完美避坑

本文提供了Keil5集成开发环境的完整安装与卸载指南。针对嵌入式开发新手,详细解析了安装前的关键准备、MDK核心与C51双环境的安装激活步骤、常见问题排查,并重点介绍了如何彻底卸载软件以避免残留问题,帮助用户从零开始搭建稳定高效的开发环境。

weixin_29172963的博客 636

Unity的UGUI学习

UGUI学习记录

2301_76618920的博客 2743

yolov8的Detect层详解(输出维度改动)

对于部署端需要拿到onnx的output进行后处理,但是基于anchor_free的yolov8输出是1*(4+cls)*8400,不是我们常见的ncwh格式,所以对Detect层进行了学习,分享一下体会。

yjcccccc的博客 2万+

unity ugui 锚点与重心点

一、Pivot 1、Pivot有很多种叫法,我个人觉得叫重心点比较合适,至于我为什么这么说,等会解释。先看下图: 图中心的圆点就是我说的重心点,它对应unity中字段是Pivot。取值范围0-1。x、y都是0.5时就是如图的中心位置。左下角是 (0,0),右上角是(1,1) 2、修改重心点然后旋转效果如下:第一重心点在(0.5,0.5)。第二个在左下角是(0,0)

873149745 1万+

双模音频解码器设计:USB+蓝牙LDAC平衡输出方案

音频解码器是数字音频系统中实现数模转换的核心组件,其性能直接决定音质保真度与系统延迟。基于高集成SoC的解码方案通过统一时钟域与片内DSP处理,有效抑制Jitter并简化硬件拓扑;结合全平衡模拟输出架构,可显著提升共模抑制比(CMRR)与信噪比(SNR)。该技术路径广泛应用于便携式Hi-Res音频设备、USB-C小尾巴DAC及蓝牙高解析耳机放大器等场景。本文围绕ES9038Q2M双模SoC展开,详解其在LDAC协议支持、UAC2.0兼容性及平衡电流型DAC输出方面的工程实现,为高性能、可量产音频硬件开发提供

weixin_42613018的博客 391

LaTex的下载与安装(2024小白+windows系统)

本文主要介绍了Latex的下载与安装,还包括安装过程中遇到的小问题的解决。

m0_53096519的博客 2万+

UGUI系列——RectTransform之锚点及轴心点深入解析

前言 上一篇博文简单的介绍了一些锚点及轴心的基础概念,下面继续说一下锚点及轴心点的用法 1.组件属性的显示模式 点击下图中的红框内的图标,会出现这样一个菜单 Normal :就是组件默认的显示模式 Debug :这种模式下,会显示出很多其他的属性 2.AnchorPosition 在组件的debug模式下,可看到这个属性 它代表的就是锚点的位置 锚点位置分两种情况理解: 1)四个锚点是在一起的...

蓝天小僧的博客 5196

【PINN物理信息网络】基于PINN物理信息网络结合Wave 2D有限差分方法(python)

【PINN物理信息网络】基于PINN物理信息网络结合Wave 2D有限差分方法(python)

k8291121的博客 1820

如何学习Unity 的UGUI模块?

学习Unity 的UGUI部分的5个步骤!

Noanna_ic的博客 1053

SDMA 如何实现设备对主机内存的访问

摘要:SDMA(System Direct Memory Access)是PCIe设备直接访问主机内存的核心机制,使外设无需CPU干预即可高效读写系统RAM。其实现原理包括:设备作为主控发起DMA请求,通过PCIe Memory TLP访问主机物理地址;完整通路涉及驱动分配DMA安全内存、设备配置、地址转换(IOMMU)和中断通知等步骤;关键技术涵盖地址类型(HPA/IOVA)、TLP格式、缓存一致性和安全防护机制。SDMA广泛应用于GPU、网卡、NVMe等高性能场景,是现代异构计算的基础技术,需软硬件协同

MHD0815的博客 240

基于STM32L4XX、HAL库的DP83822 以太网收发器(PHY)驱动程序设计

一、简介:DP83822是德州仪器(TI)推出的一款低功耗、高性能10/100Mbps以太网物理层收发器(PHY)。它具有以下主要特性:支持10BASE-T和100BASE-TX以太网标准低功耗设计,适合嵌入式应用MII/RMII接口,方便与微控制器连接内置自检和诊断功能支持自动协商和手动配置工业级温度范围(-40°C至+85°C)

zhusl6688的博客 539

Unity_UI学习(UGUI)

目录   01.Canvas对象和EventSystem对象 02.Canvas组件 03.RectTransform组件 04.Image组件 05.Button组件 06.Text组件 07.ScrollRect组件、Mask组件 01.Canvas对象和EventSystem对象 Canvas对象 所有游戏节目里的UI元素(纹理、图像、按钮、滑动条等)都必须位于Canv...

枫玥gy的博客 3533

【错误解决】本地计算机上的mysql服务启动停止后,某些服务在未由其他服务或程序使用时将自动停止

转载请注明出处:http://blog.youkuaiyun.com/qq_26525215 本文源自【大学之旅_谙忆的博客】 在启动mysql服务时出现该错误: 本地计算机上的mysql服务启动停止后,某些服务在未由其他服务或程序使用时将自动停止。mysql 版本 5.7.14 系统 win 7后来经过一系列的百度,谷歌,总算是解决了。首先,你需要把原来的服务删除:mysqld --remove mysq

谙忆-陈浩翔 12万+

Unity学习2——UGUI学习

文章目录一、UGUI介绍UGUI的特点二、Canvas画布介绍1.Rect Transform2.CanvasRender modes 渲染模式2.读入数据总结 一、UGUI介绍 UGUI是unity4.6之后,经过多重测试,推出的全新的UI系统,更灵活,快捷,易用的可视化游戏UI开发工具 UGUI的特点 与unity引擎无缝精密结合 更加强大与易用的屏幕适应能力 更加简单的深度处理机制 完全自动化的图集打包功能 全新强大的布局系统 二、Canvas画布介绍 Canvas控件具备四个组件 Rect

Meow_wu的博客 489

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

(二十八)unity4.6学习Ugui中文文档-------uGui Effect Tool

浏览一下 GitHub ,找了找UGUI开源的东西 https://github.com/WestHillApps/uGUI-Effect-Tool发现了 uGuiEffectTool (包括Blend【意义不大】 和 渐变)这个是原始图片Blend的效果:Blend的代码:using UnityEngine; using System.Collections.Generic; using Uni

游戏路上的小学生 3261

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

Unity学习之UGUI进阶

Unity学习之UGUI进阶

weixin_45972052的博客 1578

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

unity的UGUI学习笔记

1、ugui中的层级是按先渲染者在下面,即在同一个画布中节点越靠上,越先渲染越在底层,画布间用sortOrder参数设置层级 2、ugui中image会挡住button的事件, 这种情况只需要为Image添加CanvasGroup組件,或者将button放在画布的最下方 3、组件的对齐设置注意Pivot的设置,x+y=1; 4、ugui文本中设置字体的颜色,粗体、斜体

beiji_gg的博客 399

unity UGUI学习

1. 基本组件 1.1 canvas canvas画布中的pixel perfect,点击能与屏幕适配。 1.2 image 将图像等比例放大,可以按住shift拉伸。 要先把图片的texture type 选择为sprite,才适合UI。 基础知识· game模式中会有横线,游戏发布的时候并不会出现,知识辅助开发者。如果不想再game模式中看到,点击gizmos能不显示。 ...

vikki chen 的博客 469

学习笔记(一):[Unity] 获取点击的UGUI

if(UnityEngine.EventSystems.EventSystem.current.currentSelectedGameObject!= null //鼠标点击的UI,返回的是GameObject && UnityEngine.EventSystems.EventSystem.current.currentSelectedGameObject.name== "Pause")

hsm19990531的博客 2298

unity ugui显示模型_Unity学习—UGUI优化Tips

本文源地址:Unity学习—UGUI优化TipsUI标准UI 每帧占用时间均值2-3ms 性能问题问题定位profiling DrawCall batch 避免同类型控件重叠 同类型控件在不重叠时会自动合批传入一个drawcall UI重叠导致分层,分层导致同类型UIBatch分离,增加drawcall数量 不规则图形,图形2D/3D旋转,图形放大,导致透明区域重...

weixin_39923157的博客 232

Unity学习第二周-UGUI-项目——基本UI设计

111

Gyp郭小帅的博客 250
上一篇: Android导出jar包供unity使用(通过class扩展)
下一篇: ugui学习 案例篇
RotatingJump
博客等级 码龄9年 5粉丝 45原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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