Manim社区版中remove()方法在updater函数中的延迟执行问题分析
问题现象
在Manim社区版动画制作过程中,开发者发现了一个有趣的现象:当在updater函数中调用self.remove()方法时,移除操作不会立即生效,而是会延迟到self.wait()函数完成或其他"代码暂停点"才执行。相比之下,self.add()方法则能够立即生效。
问题复现
通过以下代码可以清晰地复现这个问题:
from manim import *
class DelayRemoveTest(Scene):
def construct(self):
# 时间轴设置
whole_time = 7
n = NumberLine(include_numbers=True, x_range=[0, whole_time]).to_edge(DOWN)
progress_bar = Line(n.n2p(0), n.n2p(whole_time)).set_stroke(color=YELLOW, opacity=0.5, width=20)
self.add(n, progress_bar)
turn_animation_into_updater(Create(progress_bar, run_time=whole_time, rate_func=linear))
# 测试对象
circle_01 = Circle(0.5).move_to(UP)
circle_02 = Circle(0.5).move_to(DOWN)
square = Square(0.5)
self.add(circle_01, circle_02, square)
# 延迟移除测试
start_time = self.renderer.time
mob_for_test = Circle(2)
def remove_update(mob, dt):
if self.renderer.time - start_time >= 2:
self.remove(mob) # 这里remove不会立即生效
self.add(mob_for_test) # 这里add会立即生效
mob.remove_updater(remove_update)
circle_01.add_updater(remove_update)
self.wait(4)
self.wait(3)
技术分析
渲染机制原理
Manim的渲染机制在每次play/wait调用时,会尝试检测哪些对象可能被修改。对于那些被认为保持不变的对象,系统会将它们绘制到背景中(仅在调用开始时渲染),这导致看起来对象会一直存在直到wait调用结束。
静态对象检测
当对象不知道它们可能被修改时,Manim无法检测到这种变化。理论上,将移除更新器附加到单个mobject而不是场景应该可以解决这个问题,因为带有基于时间的更新器的mobject永远不会被认为是静态的。但实际测试表明,这种方法仍然无法使remove()立即生效。
渲染器处理流程
深入分析表明,虽然remove()方法确实会立即从场景中移除mobject,但它可能没有被从渲染器正在处理的mobject列表中移除。这解释了为什么移除操作会有延迟。
解决方案与变通方法
临时解决方案
作为一种变通方法,可以在调用remove()之前先将对象的填充和描边透明度设置为0:
mob.set_fill(opacity=0)
mob.set_stroke(opacity=0)
self.remove(mob)
这种方法能够确保在渲染时立即反映出移除效果。
未来展望
值得注意的是,在当前版本的渲染器中,这种静态对象检测机制可能已经不再存在。因此,开发者可能不需要投入太多精力来使静态检测更加智能,因为这个问题在新版本的渲染器中可能已经得到解决。
总结
Manim社区版中remove()方法在updater函数中的延迟执行行为揭示了渲染引擎内部的工作机制。理解这一现象有助于开发者编写更可靠的动画代码,特别是在需要精确控制对象显示和隐藏时。虽然目前有变通解决方案,但期待未来版本能够提供更一致的添加和移除行为。
kernelopenEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。C092
baihu-dataset异构数据集“白虎”正式开源——首批开放10w+条真实机器人动作数据,构建具身智能标准化训练基座。00
mindquantumMindQuantum is a general software library supporting the development of applications for quantum computation.Python058
PaddleOCR-VLPaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00
GLM-4.7GLM-4.7上线并开源。新版本面向Coding场景强化了编码能力、长程任务规划与工具协同,并在多项主流公开基准测试中取得开源模型中的领先表现。 目前,GLM-4.7已通过BigModel.cn提供API,并在z.ai全栈开发模式中上线Skills模块,支持多模态任务的统一规划与协作。Jinja00
AgentCPM-Explore没有万亿参数的算力堆砌,没有百万级数据的暴力灌入,清华大学自然语言处理实验室、中国人民大学、面壁智能与 OpenBMB 开源社区联合研发的 AgentCPM-Explore 智能体模型基于仅 4B 参数的模型,在深度探索类任务上取得同尺寸模型 SOTA、越级赶上甚至超越 8B 级 SOTA 模型、比肩部分 30B 级以上和闭源大模型的效果,真正让大模型的长程任务处理能力有望部署于端侧。Jinja00