MediaPipeUnityPlugin中FaceLandmarkListWithIrisAnnotation的并发修改问题分析
在Unity中使用MediaPipeUnityPlugin进行面部特征点检测时,开发者可能会遇到一个常见的并发修改异常:"Collection was modified; enumeration operation may not execute"。这个问题主要出现在处理面部特征点数据的过程中,特别是在多线程环境下对集合进行遍历和修改时。
问题背景
MediaPipeUnityPlugin是一个Unity插件,用于集成Google的MediaPipe机器学习管道。在面部特征点检测任务中,插件会生成包含大量特征点的数据,这些数据需要在Unity的主线程中进行可视化渲染。当数据从后台线程传递到主线程时,如果处理不当,就可能出现集合被并发修改的问题。
问题根源
问题的核心在于FaceLandmarkListWithIrisAnnotation类中的PartitionLandmarkList方法。该方法负责将面部特征点列表分区处理,但在遍历输入集合时没有考虑到集合可能被其他线程修改的情况。具体表现为:
- 当使用
IReadOnlyList<T>的枚举器进行遍历时 - 同时后台线程可能正在更新这个集合
- 导致枚举过程中集合被修改,抛出异常
解决方案
针对这个问题,开发者可以采取以下几种解决方案:
1. 使用集合副本
最直接的解决方案是在遍历前创建集合的副本:
var enumerator = landmarks.ToList().GetEnumerator();
这样可以确保遍历的是一个固定的快照,不会受到原集合修改的影响。
2. 添加线程同步机制
在FaceLandmarkerResultAnnotationController中添加适当的锁机制,确保在访问共享资源时的线程安全:
lock (syncObject)
{
// 访问共享资源的代码
}
3. 使用线程安全的数据结构
考虑使用ConcurrentBag等线程安全的集合类型来存储中间结果。
最佳实践建议
- 明确线程边界:在Unity中,明确区分后台处理线程和主线程的职责范围
- 避免在主线程外修改Unity对象:所有与Unity引擎相关的操作都应放在主线程执行
- 使用适当的同步机制:当必须在多线程间共享数据时,使用锁或其他同步原语
- 考虑使用消息队列:通过队列将数据从后台线程传递到主线程,而不是直接共享引用
总结
在MediaPipeUnityPlugin中处理面部特征点数据时,开发者需要注意线程安全问题。通过创建集合副本、添加适当的同步机制或使用线程安全的数据结构,可以有效避免"Collection was modified"异常的发生。理解Unity的多线程模型和MediaPipe的数据流机制,对于构建稳定高效的计算机视觉应用至关重要。
对于使用UniRx等响应式编程框架的开发者,还需要特别注意ObserveOnMainThread操作符的使用时机,确保数据在正确的线程上被处理和消费。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0153- DDeepSeek-V4-ProDeepSeek-V4-Pro(总参数 1.6 万亿,激活 49B)面向复杂推理和高级编程任务,在代码竞赛、数学推理、Agent 工作流等场景表现优异,性能接近国际前沿闭源模型。Python00
LongCat-Video-Avatar-1.5最新开源LongCat-Video-Avatar 1.5 版本,这是一款经过升级的开源框架,专注于音频驱动人物视频生成的极致实证优化与生产级就绪能力。该版本在 LongCat-Video 基础模型之上构建,可生成高度稳定的商用级虚拟人视频,支持音频-文本转视频(AT2V)、音频-文本-图像转视频(ATI2V)以及视频续播等原生任务,并能无缝兼容单流与多流音频输入。00
auto-devAutoDev 是一个 AI 驱动的辅助编程插件。AutoDev 支持一键生成测试、代码、提交信息等,还能够与您的需求管理系统(例如Jira、Trello、Github Issue 等)直接对接。 在IDE 中,您只需简单点击,AutoDev 会根据您的需求自动为您生成代码。Kotlin03
Intern-S2-PreviewIntern-S2-Preview,这是一款高效的350亿参数科学多模态基础模型。除了常规的参数与数据规模扩展外,Intern-S2-Preview探索了任务扩展:通过提升科学任务的难度、多样性与覆盖范围,进一步释放模型能力。Python00
skillhubopenJiuwen 生态的 Skill 托管与分发开源方案,支持自建与可选 ClawHub 兼容。Python0112