QMK Keymap 项目下载及安装教程
1. 项目介绍
QMK Keymap 是一个开源项目,旨在为 Quantum Mechanical Keyboard (QMK) 提供可重用的键盘映射和功能库。该项目由 Pascal Getreuer 开发,适用于 Dactyl Ergodox、ZSA Moonlander 和 ZSA Voyager 等键盘。QMK Keymap 不仅提供了个性化的键盘映射,还包含多个用户空间功能库,如 Achordion、Custom Shift Keys、Mouse Turbo Click 等,极大地增强了键盘的功能性和可定制性。
2. 项目下载位置
要下载 QMK Keymap 项目,请使用以下命令:
git clone https://github.com/getreuer/qmk-keymap.git
3. 项目安装环境配置
在安装 QMK Keymap 之前,需要确保系统中已安装 QMK 固件开发环境。以下是配置步骤:
3.1 安装 QMK 工具箱
首先,下载并安装 QMK 工具箱。QMK 工具箱是一个图形化工具,用于编译和刷写 QMK 固件。

3.2 安装 QMK CLI
接下来,安装 QMK CLI(命令行界面)。QMK CLI 是一个强大的工具,用于管理和编译 QMK 固件。
python3 -m pip install qmk
3.3 初始化 QMK 环境
使用 QMK CLI 初始化 QMK 环境:
qmk setup

4. 项目安装方式
安装 QMK Keymap 项目的步骤如下:
4.1 克隆项目
首先,克隆 QMK Keymap 项目到本地:
git clone https://github.com/getreuer/qmk-keymap.git
4.2 配置用户覆盖目录
运行以下命令,配置 QMK 用户覆盖目录:
qmk config user.overlay_dir="$(realpath path/to/qmk-keymap)"
4.3 编译并刷写固件
根据使用的键盘类型,选择相应的命令编译并刷写固件:
-
Dactyl Ergodox:
qmk flash -kb handwired/dactyl_promicro -km getreuer -
ZSA Moonlander:
qmk flash -kb zsa/moonlander -km getreuer -
ZSA Voyager:
qmk flash -kb zsa/voyager -km getreuer
5. 项目处理脚本
QMK Keymap 项目包含多个处理脚本,用于自动化编译和刷写过程。以下是一些常用的脚本:
5.1 compile.sh
该脚本用于编译 QMK Keymap 项目:
#!/bin/bash
qmk compile -kb handwired/dactyl_promicro -km getreuer
5.2 flash.sh
该脚本用于刷写编译后的固件:
#!/bin/bash
qmk flash -kb handwired/dactyl_promicro -km getreuer
通过这些脚本,可以简化 QMK Keymap 项目的管理和部署过程。
以上是 QMK Keymap 项目的下载及安装教程。希望这篇文章能帮助你顺利完成项目的安装和配置。
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。C091
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