UE 在场景或UMG中播放视频

本文介绍了在虚幻引擎中播放视频的详细步骤,包括安装ElectraPlayer插件,导入视频资源,创建MediaPlayer,设置材质和Actor,以及在场景和UMG用户界面中播放视频的方法。同时,还讲解了如何创建MediaPlaylist来播放多个视频,并通过关卡蓝图控制播放。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

        在虚幻中,我们有时候会想在场景或者UMG中播放一段视频,这里记录一下如何实现以及中间遇到的坑。


安装插件和导入资源

        使用官方的插件Electra Player,使用这个插件可以支持DX12,勾选上后重启编辑器启用。

        首先在Content目录下创建一个Movies的文件夹,然后把你要播放的视频放到这个文件目录下并导入到项目中(因为打包的时候只会把这个文件夹下的MP4文件打包进项目,如果放到别的文件夹下打包后会播放不了视频)。

         右键选择Media->MediaPlayer创建媒体播放器,在弹出的对话框中这个Video output MediaTexture asset 要勾选上,会自动帮我们创建一个Media Texture。

         打开我们创建的这个NewMediaPlayer,就可以在下面的列表中发现我们一开始导入的视频文件,双击可以播放。在播放选项里把解码器设置为我们刚才导入的插件——Electra Player。


在场景中播放视频

        选择刚才创建出来的Media Texture,右键选择Create Material,创建一个材质,默认命名为NewMediaPlayer_Video_Mat。想要在场景中播放,首先要创建一个能放在场景中的actor,把它命名为BP_VideoScreen。然后给它添加一个Cube组件,并把它拉伸成我们想要的播放器的样子,最后把刚才创建的材质赋给Cube,编译保存。

        为了让播放的视频的视频有声音,还需要给它添加一个MediaSound组件,并把它的MediaPlayer设置为一开始创建的NewMediaPlayer。

        创建好之后,把创建的这个BP_VideoScreen拖入场景中,再打开关卡蓝图。创建一个MediaPlayer类型的变量命名为MediaPlayer,并把它的默认值设成我们一开始创建的NewMediaPlayer。

         然后在BeginPlay事件中调用MediaPlayer的OpenSource和Play方法,参数MediaSource设置为一开始导入的视频资源。想要循环播放的话,调用MediaPlayer的SetLooping方法,并把参数Looping勾选上。

         回到场景中运行游戏,就可以看到我们拖入场景的BP_VideoScreen在播放视频了。

 


 在UMG上播放视频

        同样右键Media Texture创建一个材质,命名为UI_MediaPlayer。把材质输出节点的材质类型改为User Interface,把它改为UI的输出形式,再选择材质模板的材质设置为一开始创建的Media Texture,设置完后保存。

         接着创建一个用来播放视频的UMG,添加一个图片填充满画布,把图片的材质设置成刚才创建的UI_MediaPlayer。

         在UMG的构造函数里播放视频,节点和在场景中播放视频是一样的。

         最后我们只需要设置按键显示出我们的UMG并播放视频就可以了,在关卡蓝图里这样通过按Tab键把UMG添加到视口中。

​​​​​​​ 


播放好几个视频

        右键选择Media->Media Playlist创建,打开后设置要播放的几个视频。

         其他地方都是一样的,只要在关卡蓝图里调用的方法改成OpenPlaylist,并把In Playlist参数设置成创建的NewMediaPlaylist就行了。

 

### RT-DETRv3 网络结构分析 RT-DETRv3 是一种基于 Transformer 的实时端到端目标检测算法,其核心在于通过引入分层密集正监督方法以及一系列创新性的训练策略,解决了传统 DETR 模型收敛慢和解码器训练不足的问题。以下是 RT-DETRv3 的主要网络结构特点: #### 1. **基于 CNN 的辅助分支** 为了增强编码器的特征表示能力,RT-DETRv3 引入了一个基于卷积神经网络 (CNN) 的辅助分支[^3]。这一分支提供了密集的监督信号,能够与原始解码器协同工作,从而提升整体性能。 ```python class AuxiliaryBranch(nn.Module): def __init__(self, in_channels, out_channels): super(AuxiliaryBranch, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1) self.bn = nn.BatchNorm2d(out_channels) def forward(self, x): return F.relu(self.bn(self.conv(x))) ``` 此部分的设计灵感来源于传统的 CNN 架构,例如 YOLO 系列中的 CSPNet 和 PAN 结构[^2],这些技术被用来优化特征提取效率并减少计算开销。 --- #### 2. **自注意力扰动学习策略** 为解决解码器训练不足的问题,RT-DETRv3 提出了一种名为 *self-att 扰动* 的新学习策略。这种策略通过对多个查询组中阳性样本的标签分配进行多样化处理,有效增加了阳例的数量,进而提高了模型的学习能力和泛化性能。 具体实现方式是在训练过程中动态调整注意力权重分布,确保更多的高质量查询可以与真实标注 (Ground Truth) 进行匹配。 --- #### 3. **共享权重解编码器分支** 除了上述改进外,RT-DETRv3 还引入了一个共享权重的解编码器分支,专门用于提供密集的正向监督信号。这一设计不仅简化了模型架构,还显著降低了参数量和推理时间,使其更适合实时应用需求。 ```python class SharedDecoderEncoder(nn.Module): def __init__(self, d_model, nhead, num_layers): super(SharedDecoderEncoder, self).__init__() decoder_layer = nn.TransformerDecoderLayer(d_model=d_model, nhead=nhead) self.decoder = nn.TransformerDecoder(decoder_layer, num_layers=num_layers) def forward(self, tgt, memory): return self.decoder(tgt=tgt, memory=memory) ``` 通过这种方式,RT-DETRv3 实现了高效的目标检测流程,在保持高精度的同时大幅缩短了推理延迟。 --- #### 4. **与其他模型的关系** 值得一提的是,RT-DETRv3 并未完全抛弃经典的 CNN 技术,而是将其与 Transformer 结合起来形成混合架构[^4]。例如,它采用了 YOLO 系列中的 RepNCSP 模块替代冗余的多尺度自注意力层,从而减少了不必要的计算负担。 此外,RT-DETRv3 还借鉴了 DETR 的一对一匹配策略,并在此基础上进行了优化,进一步提升了小目标检测的能力。 --- ### 总结 综上所述,RT-DETRv3 的网络结构主要包括以下几个关键组件:基于 CNN 的辅助分支、自注意力扰动学习策略、共享权重解编码器分支以及混合编码器设计。这些技术创新共同推动了实时目标检测领域的发展,使其在复杂场景下的表现更加出色。 ---
评论 3
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