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。
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-7BSpark-Prover-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-7BSpark-Formalizer-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).Dockerfile014
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