Spine Runtimes项目中的UE5.4及以上版本GetAssetRegistryTags兼容性处理
2025-06-12 01:40:26作者:滕妙奇
在Unreal Engine 5.4及更高版本中,Epic Games对资产注册标签系统进行了重要更新,这影响了Spine Runtimes项目中SkeletonDataAsset的实现方式。本文将详细介绍这一变更的技术背景及解决方案。
技术背景
Unreal Engine 5.4引入了一个重大的API变更,废弃了原有的GetAssetRegistryTags函数签名,转而使用新的FAssetRegistryTagsContext参数形式。这一变更旨在提供更灵活和可扩展的资产标签管理系统。
在旧版本中(UE5.3及以下),资产标签是通过填充一个TArray<FAssetRegistryTag>输出参数来实现的。而在UE5.4+中,新的系统使用FAssetRegistryTagsContext上下文对象,它提供了更丰富的接口来管理资产标签。
问题分析
Spine Runtimes项目中的USpineSkeletonDataAsset类需要处理资产源文件信息,这些信息通过GetAssetRegistryTags方法暴露给Unreal的资产管理系统。当项目升级到UE5.4+时,原有的实现会产生弃用警告。
解决方案
通过预处理器条件编译,我们可以为不同版本的Unreal Engine提供不同的实现:
#if ((ENGINE_MAJOR_VERSION >= 5) && (ENGINE_MINOR_VERSION >= 4))
void USpineSkeletonDataAsset::GetAssetRegistryTags(FAssetRegistryTagsContext Context) const
{
if (importData)
{
Context.AddTag(FAssetRegistryTag(SourceFileTagName(),
importData->GetSourceData().ToJson(),
FAssetRegistryTag::TT_Hidden));
}
Super::GetAssetRegistryTags(Context);
}
#else
void USpineSkeletonDataAsset::GetAssetRegistryTags(
TArray<FAssetRegistryTag> &OutTags) const {
if (importData) {
OutTags.Add(FAssetRegistryTag(SourceFileTagName(),
importData->GetSourceData().ToJson(),
FAssetRegistryTag::TT_Hidden));
}
Super::GetAssetRegistryTags(OutTags);
}
#endif
实现细节
- 版本检测:使用
ENGINE_MAJOR_VERSION和ENGINE_MINOR_VERSION宏来检测Unreal Engine版本 - 新旧API适配:
- UE5.4+使用
FAssetRegistryTagsContext的AddTag方法 - 旧版本使用
TArray的Add方法
- UE5.4+使用
- 源数据处理:两种实现都处理
importData,将其转换为JSON格式并添加为隐藏标签 - 父类调用:两种实现都调用了父类的对应方法以确保完整的功能链
最佳实践
- 当为Unreal Engine插件或项目代码处理类似情况时,建议采用类似的版本检测和条件编译策略
- 保持新旧API功能的一致性,确保在不同版本中行为相同
- 及时跟进Unreal Engine的API变更公告,提前规划兼容性处理
- 在头文件中也需要相应更新函数声明,保持一致性
这种处理方式不仅解决了当前的问题,也为未来可能的API变更提供了可扩展的框架,是处理引擎版本间API差异的良好范例。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
Spark-Prover-X1-7BSpark-Prover 是由科大讯飞团队开发的专用大型语言模型,专为 Lean4 中的自动定理证明而设计。该模型采用创新的三阶段训练策略,显著增强了形式化推理能力,在同等规模的开源模型中实现了最先进的性能。Python00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
312
2.73 K
deepin linux kernel
C
24
7
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
639
244
仓颉编译器源码及 cjdb 调试工具。
C++
124
851
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
470
Ascend Extension for PyTorch
Python
151
178
暂无简介
Dart
605
135
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
236
84
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
364
3.01 K
React Native鸿蒙化仓库
JavaScript
237
310