何韬的课程社区_NO_1
深入浅出U3D7_椭圆算法
墨衍会员 · AI 创作全网分发 墨衍智能分发 通过墨衍一键同步至各平台 可同步平台 CSDN微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网
我也要 关注 + 加入社区| 课时名称 | 课时知识点 |
|---|---|
| 深入浅出U3D7_椭圆算法 |
相关推荐
U3D的粒子系统
**Min Emitter Range**: 设置最小椭圆范围，影响粒子发射的集中程度。10.
UnityTiled, 在Unity中，用于处理平铺贴图的编辑器工具.zip
核心功能包括从TMX文件解析地图数据、生成碰撞器、读取瓦片属性及支持椭圆对象等要素。通过扩展方法安全解析XML属性，并利用组件
Unity画线插件含Demo Vectrosity 2.0.rar
Vectrosity是一款专为unity用户打造的画线插件，主要适用于开发用户使用，unity是一款可视化的三维制作工具，配合这个插件就可以在环境进行2D/3D/贝塞尔/圆/椭圆等线条图案的创建操作了
自制太阳系Demo
这需要计算行星的轨道半径、倾斜角和公转周期，然后在每一帧中更新行星的位置，使其沿着椭圆轨道移动。4.
YOLO26算法工业车间与城市道路安全标识及交通标志目标检测+训练好的模型+260张数据集+pyqt可视化界面.zip
附训练好的 YOLO 权重与 PyQt 可视化检测界面，页面底部含可视化效果预览，毕设/课设开箱即用。 【数据集概况】 · 检测类别（中文）：[安全标识(safety), 交通标志(traffic)] · 训练集：240 张 · 验证集：10 张 · 测试集：10 张 · 总计：260 张 该数据集精准聚焦于工业生产环境与城市道路交通场景，旨在为高危作业区域的安全警示系统及道路通行管理提供可靠视觉识别支持。通过采集真实工作现场与道路环境中的关键标识，该数据集有效支撑了对人员行为规范提示与交通状态预警的自动化感知需求，具备显著的工程实用价值与行业落地潜力。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 67 个 epoch，最终轮指标： 指标 | 数值 mAP50 | **0.7278** mAP50-95 | 0.6630 Precision | 0.7294 Recall | 0.7273 train/box_loss | 0.7483 train/cls_loss | 0.6857 val/box_loss | 0.6823 val/cls_loss | 1.8035 【训练过程分析】 67 轮训练后 mAP50 为 0.7278，模型基本收敛但还有提升余地。Loss 曲线下降正常，后期趋于平缓。mAP50-95 为 0.6630，定位精度尚可。 【模型性能评估】 Precision 0.7294、Recall 0.7273，精度高于召回，存在一定漏检。多类检测中，不同类别性能可能有差异，需关注... 使用场景：毕业设计、课程设计、深度学习入门、工业场景落地验证。
