Überzug++ 项目下载及安装教程
1. 项目介绍
Überzug++ 是一个用 C++ 编写的命令行实用程序,旨在通过使用 X11/Wayland 子窗口、Sixel、Kitty 和 iTerm2 在终端上绘制图像。该项目旨在成为现已废弃的 Überzug 项目的替代品。Überzug++ 提供了比 w3mimgdisplay 和 Überzug 更多的优势,包括对 Wayland(如 Sway、Hyprland 和 Wayfire)的支持、MacOS 支持、无竞争条件、支持没有 WINDOWID 环境变量的终端等。
2. 项目下载位置
要下载 Überzug++ 项目,请访问其 GitHub 仓库。你可以使用以下命令克隆项目:
git clone https://github.com/jstkdng/ueberzugpp.git
3. 项目安装环境配置
在安装 Überzug++ 之前,你需要确保系统中安装了以下依赖项:
- CMake ≥ 3.22
- libvips
- libsixel
- chafa ≥ 1.6
- openssl
- tbb
3.1 Ubuntu/Debian 系统
在 Ubuntu 或 Debian 系统上,你可以使用以下命令安装这些依赖项:
sudo apt-get install libssl-dev libvips-dev libsixel-dev libchafa-dev libtbb-dev
3.2 Fedora 系统
在 Fedora 系统上,你可以使用以下命令安装这些依赖项:
sudo dnf install openssl-devel vips-devel libsixel-devel chafa-devel tbb-devel
3.3 依赖项安装示例
以下是 Ubuntu 系统上安装依赖项的示例截图:

4. 项目安装方式
4.1 克隆项目
首先,克隆 Überzug++ 项目到本地:
git clone https://github.com/jstkdng/ueberzugpp.git
cd ueberzugpp
4.2 创建构建目录
接下来,创建一个构建目录并进入该目录:
mkdir build
cd build
4.3 配置构建选项
使用 CMake 配置构建选项。你可以根据需要启用或禁用某些功能。以下是一些常用的选项:
ENABLE_OPENCV(默认开启)ENABLE_X11(默认开启)ENABLE_TURBOBASE64(默认关闭)ENABLE_WAYLAND(默认关闭)
例如,启用 Turbo-Base64 支持:
cmake -DCMAKE_BUILD_TYPE=Release -DENABLE_TURBOBASE64=ON ..
4.4 编译项目
配置完成后,编译项目:
cmake --build .
4.5 安装项目(可选)
如果你希望将 Überzug++ 安装到系统默认路径,可以使用以下命令:
sudo cmake --install .
5. 项目处理脚本
Überzug++ 提供了两个命令:layer 和 tmux。layer 用于向 Überzug++ 发送命令,而 tmux 用于内部处理。
5.1 layer 命令选项
layer 命令接受以下选项:
ueberzug layer -h
这将显示帮助信息,包括所有可用的选项。
5.2 使用 JSON 对象控制图像显示
你可以使用 JSON 对象来控制图像的显示和隐藏。例如,显示图像的 JSON 对象如下:
["action":"add", "identifier":"preview", "max_height":0, "max_width":0, "path":"/path/image.ext", "x":0, "y":0]
隐藏图像的 JSON 对象如下:
["action":"remove", "identifier":"preview"]
通过这些步骤,你可以成功下载、安装并使用 Überzug++ 项目。
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。C0100
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.Python059
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