Unity地形插件T4M使用帮助

Unity中T4M插件的使用,以及针对5.0的修改 T4M插件是一个高效的地形制作插件,最强大的地方在于可以像Unity刷地形一样,刷一个模型。比如多数情况下,地面就是一个平面,如果用Unity的地形系统,可能会因为一些细节导致DrawCall增多,顶点增多。这个时候美术通常会在3DMax中直接制作好模型(地形)。 然后通过T4M可以在上面刷出细节丰富的地表,可以支持多个贴图之间的混合。       Unity5中T4M的2.5版本会有一些Bug 阅读详情

unity的地形系统在手机游戏中因为效率问题基本无法使用,只能通过T4M这个地形插件来进行优化制作。下面大概讲解一下使用流程及方法。

 

先中U3D里面用自带的地形系统刷出想要的地形和贴图。贴图可以大概刷一下。后面要重新刷。

 

用导出脚本ExportTerrain.js导出地形为OBJ文件并导入3DMAX,给模型添加Optimizer优化命令并优化模型。然后给地形一个平面印射的UV。导出地形为FBX格式。


这是优化前面地形三角面的个数。差别非常大。

 

把导出的FBX文件导入unity,选中地形,在windows下打开T4M编辑窗口。点击PROCESS,这样就成功转换成用T4M可以刷纹理的地形了。

 

按步骤添加地表贴图,然后在Painter下面就可以刷了。下面的Tiling可以调整每一层贴图的UV。。

 

OK,就这么简单。下面来看一下优化前后的对比。。效果基本变化不大。

 


再看下网格。

 


END!



Unity中使用Real World Terrain插件下载Mapbox真实游戏地图场景的地形数据经验笔记 上文记录了在unity中使用WorldComposer下载,本文继续整理一篇Unity资源商店上比较优质的地形插件“Real World Terrain”。 附上商店上官网链接: https://assetstore.unity.com/packages/tools/terrain/real-world-terrain-8752 90刀的价格似乎有点小贵,但是这个插件用的溜,可以极大的节省我们的开发时间,有需要的朋友可以支持下正版。 还记得早几年前下载地形数据比较麻烦。而现在,用Un.. 阅读详情

相关推荐

【推荐100个unity插件之26】Unity 地形Terrain的绘制和使用进阶内容 —— Terrain Tools和 Terrain Toolbox的使用

本文算是基于之前的地形Terrain绘制和使用的进阶内容和补充。【2023Unity游戏开发教程】零基础带你从小白到超神04——地形Terrain的绘制和基础使用介绍【2023Unity游戏开发教程】零基础带你从小白到超神04——地形Terrain的绘制和基础使用介绍在Terrain组件的最上面,我们可以看见五个按钮它们分别对应Terrain的五个主要工具第一个是相邻Terrain的生成工具第二个是Terrain的绘制工具这里的绘制指的是地形的雕刻和地表纹理绘制第三个是树木的绘制工具。

向宇的博客,专注php/web全栈 unity游戏开发,欢迎大家评论纠错 6543

抓取unity相机直接导出为图片的方法

抓取unity相机直接导出为图片的方法

weixin_49494690的博客 1812

unity地形转obj格式导出插件

放入工程就能用,里面一个js版本,一个是cs版本,用其中一个就行

unity地形之splatalpha研究 地形贴图导出更换与绘制

unity中的地图贴图的绘制常常使用的是paint texture里面的 但是这个方式往往费时很多,却只能做出很少的效果,这里要介绍的就是通过外部绘制splatalpha 来替换,达到unity中地形更强的效果 使用软件基本有worldmachine,ps,unity

shenmifangke的专栏 2万+

Unity3D 导出地形ExportTerrain

Unity3D的地形导出插件,可将U3D的地形数据导出为网格模型导入到三维软件里面!

U3D地形导出工具

分享一个能将U3D中的Terrain地形导成OBJ文件的脚本! 将这个脚本放在assets——editor目录下 重新打开unity,Terrain——Export to obj , 就能导出OBJ文件了!

unity地形插件T4M使用帮助

unity地形插件T4M使用帮助 (2014-11-13 17:42:31) unity的地形系统在手机游戏中因为效率问题基本无法使用,只能通过T4M这个地形插件来进行优化制作。下面大概讲解一下使用流程及方法。 先中U3D里面用自带的地形系统刷出想要的地形和贴图。贴图可以大概刷一下。后面要重新刷。 用导出脚本ExportTerrain.js导出地形为OBJ文件并导入3DMA...

qq_35688373的博客 840

Unity3d生成真实地形插件-WorldComposer

WorldComposer是一种从现实世界中提取高度图数据和卫星图像的工具,它可以作为独立运行或作为TerrainComposer的扩展运行。

【转】unity地形插件T4M使用帮助

unity的地形系统在手机游戏中因为效率问题基本无法使用,只能通过T4M这个地形插件来进行优化制作。下面大概讲解一下使用流程及方法。 先中U3D里面用自带的地形系统刷出想要的地形和贴图。贴图可以大概刷一下。后面要重新刷。 用导出脚本ExportTerrain.js导出地形为OBJ文件并导入3DMAX,给模型添加Optimizer优化命令并优化模型。然后给地形一个平面印射的UV...

weixin_34379433的博客 680

unity地形插件World Creator Professional for Unity

unity地形插件World Creator Professional for Unity,可以创建各种地形,侵蚀,含地面贴图,树木,花草,亲测2018.4能够用。

LLC谐振变换器中的软开关艺术:ZVS与ZCS的协同设计

本文深入解析了LLC谐振变换器如何通过巧妙的电路设计,协同实现零电压开关(ZVS)与零电流开关(ZCS),从而大幅降低开关损耗与电磁干扰,提升电源效率。文章结合设计实战,详细阐述了谐振参数计算、器件选型及调试避坑指南,为高效、高功率密度电源设计提供了核心思路与解决方案。

weixin_29216957的博客 355

将unity地形转换为mesh——插件版本

插件下载:https://assetstore.unity.com/packages/tools/terrain/terrain-to-mesh-47276?aid=1011lGkb&utm_source=aff

小孔明的专栏 9001

Sipeed麦克风阵列板练习

麦克风阵列板 Maix Dock Sipeed

sunshinebigbig的博客 3836

Unity 使用SpriteShape制作2D游戏任意形状地形

文章目录一. 安装SpriteShape二. 创建Sprite Shape Profile三. 制作一个Open Shape地形四. 编辑地形五. 添加地形碰撞六. Geometry Collider代码 一. 安装SpriteShape 打开Unity菜单Window-Package Manager 因为我用的Unity版本是2019.2.14f1,2D SpriteShape插件还属于pre...

linxinfa的专栏 1万+

《雷达入门课 》系列文章(5)线性调频连续波雷达基本原理(第1讲)

S=B/Tc,是调频斜率。这里的混频公式推导过程比较简单,具体的混频过程如果感兴趣可以看下面粗略的推导,混频的本质就是频谱搬移,分为上变频和下变频,一般我们用下变频,即差频信号,因此需要一个低通滤波器即可滤出我们所需要的信号。答案就是因为中频信号能够映射出目标的距离信息,换句话说就是目标的距离不一样,返回的时间τ也就不一样,因此中频信号的频率大小也就不一样,可以说距离和中频信号是成映射关系的。中频只是表示信号频段的程度词,不是表示信号的状态词,意思就是说中频是指信号的频率不是很高,正好处于中间的地位。

【调皮连续波】雷达技术领域知识博主 6025

CentOS 7.9安装python3.11

CentOS 7.9安装python3.11

leafseelight的专栏 1343

使用T4M的一些坑

最近需要处理场景地形,一开始是将原地形模型转换成Terrain系统,结果在移动端测试的时候发现性能爆掉了,不能忍。于是转到使用T4M插件上。虽然教程比较全面,但使用的时候还是遇到了一些坑。 使用T4M转换后的模型出现异常面,无法在异常面上绘制纹理。尝试了合并顶点、检查破面、检查法线/切线方向、检查UV、重新导出OBJ再导入皆不行。按照群里的说法,将子层级全选 detach也不行。最终通过删除有问

薛大胖(不胖)的专栏 8016

深入解析fio Benchmark测试:从源码到实践

本文深入解析fio Benchmark测试工具,从入门指南到源码架构分析,详细介绍了其核心模块、关键数据结构和I/O处理机制。通过实战案例展示如何优化存储性能测试,包括内存对齐、多线程调优等技巧,帮助开发者充分利用fio进行精准的存储性能评估。

weixin_42563415的博客 209

Unity T4M地形插件

T4M是什么?为什么要用它?它是一个地形(Terrain)工具。它是一个Unity地形的替代工具,用于所有被3D开发工具(Maya,EarthSculpto,3DS Max,Blender等)创建的几何体。最初,它只用于移动设备,但是更多的人发现了其他的一些益处: T4M是允许用户导入几何体到Unity作为地形(Terrain)的一种工具。T4M for Web和for mobile在...

weixin_30684743的博客 1642

【DRAM存储器六十四】DDR5介绍--preamble、postamble、interamble、刷新、power down、MPSM

简述DDR5 reamble、postamble、interamble、刷新、power down、MPSM的功能定义

highman110的博客 340

总结一下:电源设计 ≠ 画个电路图就完了

如果你面对一块电源板时,只知道输入输出是多少伏,那你离真正懂它还差十万八千里。你要懂拓扑、理解工作原理、看懂波形、会分析环路、熟练选型,还得懂调试、EMC和热设计——才能自信地说:“我会搞电源了。电源不是一个人能独挑的“电”,而是控制、模拟、热、EMC 多学科交融的“多面体”。这也是为什么它既复杂又迷人✨。

weixin_43199439的博客 147

7.unity插件T4M使用

为什么80%的码农都做不了架构师?>>> ...

weixin_33757609的博客 766

【DRAM存储器五十一】LPDDR5介绍--DFE与Pre-Emphasis

简述LPDDR5的DFE和预加重应用设置

highman110的博客 711

将unity地形转换为mesh

之前这个博客: https://blog.youkuaiyun.com/wodownload2/article/details/90263882 主要是关于如何把场景中的物件,进行空间划分,并且根据主角的位置,动态的加载周边的物件,对于大地形的处理,则没有涉及到。 经过搜索,主要收集了如下具有参考价值的网址: http://www.cnblogs.com/jietian331/p/5831062.html 本...

小孔明的专栏 7857

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")

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

[转载]Unity中T4M插件的中文教程

ps:原文出处:http://blog.youkuaiyun.com/tianmao111/article/details/46482963 T4M是什么?为什么要用它?它是一个地形(Terrain)工具。它是一个Unity地形的替代工具,用于所有被3D开发工具(Maya,EarthSculpto,3DS Max,Blender等)创建的几何体。最初,它只用于移动设备,但是更多的人发现了其他的一些益处: ...

weixin_34248023的博客 1159

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

上一篇: Unity T4M 中文讲解
下一篇: Unity中T4M插件的使用,以及针对5.0的修改
评论
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