React Native Vision Camera 在 RN 0.76 版本中 runAsync 问题的分析与解决
问题背景
在 React Native Vision Camera 这个强大的相机库中,开发者们经常使用 frame processors 来处理相机捕获的每一帧图像。其中 runAsync 方法是一个关键功能,它允许开发者将耗时的帧处理逻辑放到异步线程中执行,避免阻塞主线程导致帧率下降。
然而,当项目升级到 React Native 0.76 版本后,许多开发者发现 runAsync 方法突然停止工作,控制台会抛出错误提示:"Regular javascript function cannot be shared. Try decorating the function with the 'worklet' keyword"。
问题现象
开发者在使用 runAsync 方法时,同步部分的代码能够正常执行,但异步部分的回调函数却无法正常工作。典型的错误日志如下:
Frame Processor Error: Regular javascript function '' cannot be shared. Try decorating the function with the 'worklet' keyword to allow the javascript function to be used as a worklet., js engine: VisionCamera
根本原因
经过深入分析,这个问题主要与 React Native 0.76 版本对 JavaScript 引擎和工作线程(worklet)机制的改动有关。具体来说:
- React Native 0.76 对 JavaScript 引擎的共享机制进行了调整
- 工作线程(worklet)的装饰器处理逻辑发生了变化
- 异步回调函数的上下文传递方式在 RN 0.76 中有所不同
解决方案
要解决这个问题,开发者需要确保正确配置相关依赖和 Babel 插件:
-
依赖版本控制:
- react-native-reanimated: ~3.16.1
- react-native-worklets-core: 1.5.0
- react-native-vision-camera: ^4.6.3
-
Babel 配置: 在 babel.config.js 中添加必要的插件:
module.exports = function (api) { api.cache(true); return { presets: [...], plugins: [ "@babel/plugin-transform-async-generator-functions", ["react-native-worklets-core/plugin"], ["react-native-reanimated/plugin", { processNestedWorklets: true }] ] }; }; -
替代方案: 如果问题仍然存在,可以考虑使用 runAtTargetFps() 方法作为临时解决方案,它可以在一定程度上模拟异步处理的效果。
最佳实践
- 确保所有相关依赖版本兼容
- 仔细检查 Babel 配置,特别是 worklet 相关插件
- 在升级 RN 版本时,先在小规模测试环境中验证 frame processors 功能
- 考虑将复杂的帧处理逻辑分解为更小的单元,减少对异步处理的依赖
总结
React Native 版本升级带来的底层机制变化有时会影响特定库的功能。对于 Vision Camera 的 runAsync 问题,通过正确配置依赖和 Babel 插件,大多数情况下都能解决。开发者应当保持对 React Native 生态变化的关注,及时调整项目配置以适应新版本特性。
对于性能要求不是特别高的场景,也可以考虑使用同步处理或降低帧率的方式来规避异步处理带来的复杂性,这往往是更稳定的解决方案。
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
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
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-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
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-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.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- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00