OpenStorm 的安装和配置教程
1. 项目的基础介绍和主要的编程语言
OpenStorm 是一个开源的3D雷达查看器,它使用 Unreal Engine 5 作为基础,通过自定义的体积光线追踪着色器,可以显示整个雷达体积。OpenStorm 支持多种雷达数据的显示,包括基础产品和派生产品,并且能够在 Linux 和 Windows 系统上运行,支持 NEXRAD 和 ODIM H5 雷达数据格式。
该项目主要使用以下编程语言:
- C++
- C
- Makefile
2. 项目使用的关键技术和框架
OpenStorm 使用了以下关键技术和框架:
- Unreal Engine 5:作为游戏引擎,提供了强大的图形渲染能力。
- Volumetric Ray Marching Shader:用于渲染雷达体积数据。
- HDF5:用于读取欧洲 ODIM 雷达数据。
3. 项目安装和配置的准备工作和详细的安装步骤
准备工作
在开始安装 OpenStorm 之前,请确保您的系统满足以下要求:
- 安装了 Unreal Engine 5.2 或更高版本。
- 具备一定的编程基础,尤其是 C++。
- 安装了 Git。
安装步骤
-
克隆项目
打开命令行窗口,使用以下命令克隆 OpenStorm 仓库:
git clone https://github.com/JordanSchlick/OpenStorm.git -
获取子模块
在项目目录下,运行以下命令获取子模块:
git submodule update --init --recursive -
生成 Visual Studio 项目文件
在 OpenStorm 目录中,右键点击
OpenStorm.uproject文件,选择 "Generate Visual Studio project files"。 -
打开 Visual Studio 解决方案
使用 Visual Studio 打开生成的解决方案文件。
-
构建项目
在 Visual Studio 中,按下
Ctrl+Shift+B来构建项目。 -
打开 Unreal Engine 项目
构建完成后,打开 Unreal Engine 编辑器,选择 "Open Project",找到并打开 OpenStorm 项目。
-
获取数据文件
由于一些较大的数据文件没有包含在仓库中,你需要从最新发布的版本中获取这些文件。你可以将整个
Content/Data文件夹复制到项目中,以获取以下文件:- 高程数据:
Content/Data/Map/elevation.bin.gz - 卫星图像:
Content/Data/Map/Tiles/ImageryOnly.tar - GIS 地图数据文件:
Content/Data/Map/GIS/ - 演示雷达文件:
Content/Data/Demo/
- 高程数据:
-
可选安装 HDF5 支持
如果需要支持欧洲 ODIM 雷达数据,可以克隆 HDF5 仓库到
OpenStorm/Source/OpenStorm/Radar/Deps目录:cd OpenStorm/Source/OpenStorm/Radar/Deps git clone https://github.com/JordanSchlick/hdf5.git注意:这会增加编译时间,并且可能导致不兼容。
-
配置 Visual Studio 环境
为了在 Visual Studio Code 中启用智能感知和构建,你需要创建一个到 Unreal Engine 安装目录的符号链接。以下是在 Windows 和 Linux 系统中的示例:
-
Windows 示例(需要管理员权限):
mklink /D UnrealEngine "C:\files\Epic\UE_5.2\" -
Linux 示例:
ln -s "/path/to/UnrealEngine" UnrealEngine
请确保链接的目录包含了
Engine文件夹。 -
完成以上步骤后,你应该能够成功运行 OpenStorm 项目,并开始查看雷达数据。
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 StartedRust0197
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0126
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python06
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook07