From e2bdb1983a7f9e786a29c27875cdec77f4a2266a Mon Sep 17 00:00:00 2001 From: Charmve Date: Sat, 11 May 2024 17:35:06 +0800 Subject: [PATCH] Update course outline --- .../BEVFormer_TRT/README.md" | 8 +- README.md | 302 +++++++++--------- scripts/goto_dev_docker.sh | 1 - src/imgs/animated_overview.gif | 3 + 4 files changed, 165 insertions(+), 149 deletions(-) create mode 100644 src/imgs/animated_overview.gif diff --git "a/Chapter06-\345\215\240\346\215\256\347\275\221\347\273\234\351\203\250\347\275\262\345\260\217\350\257\225\357\274\232\346\250\241\345\236\213\351\207\217\345\214\226\345\212\240\351\200\237\344\270\216\351\203\250\347\275\262/BEVFormer_TRT/README.md" "b/Chapter06-\345\215\240\346\215\256\347\275\221\347\273\234\351\203\250\347\275\262\345\260\217\350\257\225\357\274\232\346\250\241\345\236\213\351\207\217\345\214\226\345\212\240\351\200\237\344\270\216\351\203\250\347\275\262/BEVFormer_TRT/README.md" index 58b3e05..59d204e 100644 --- "a/Chapter06-\345\215\240\346\215\256\347\275\221\347\273\234\351\203\250\347\275\262\345\260\217\350\257\225\357\274\232\346\250\241\345\236\213\351\207\217\345\214\226\345\212\240\351\200\237\344\270\216\351\203\250\347\275\262/BEVFormer_TRT/README.md" +++ "b/Chapter06-\345\215\240\346\215\256\347\275\221\347\273\234\351\203\250\347\275\262\345\260\217\350\257\225\357\274\232\346\250\241\345\236\213\351\207\217\345\214\226\345\212\240\351\200\237\344\270\216\351\203\250\347\275\262/BEVFormer_TRT/README.md" @@ -170,10 +170,10 @@ ${PROJECT_DIR}/data/. cd ${PROJECT_DIR} docker build -t trt85 -f docker/Dockerfile . docker run -it --gpus all -v ${PROJECT_DIR}:/workspace/BEVFormer_tensorrt/ \ --v /path/to/can_bus:/workspace/BEVFormer_tensorrt/data/can_bus \ --v /path/to/coco:/workspace/BEVFormer_tensorrt/data/coco \ --v /path/to/nuscenes:/workspace/BEVFormer_tensorrt/data/nuscenes \ ---shm-size 8G trt85 /bin/bash + -v /path/to/can_bus:/workspace/BEVFormer_tensorrt/data/can_bus \ + -v /path/to/coco:/workspace/BEVFormer_tensorrt/data/coco \ + -v /path/to/nuscenes:/workspace/BEVFormer_tensorrt/data/nuscenes \ + --shm-size 8G trt85 /bin/bash # in container cd /workspace/BEVFormer_tensorrt/TensorRT/build diff --git a/README.md b/README.md index 9c21456..bfcb7b5 100644 --- a/README.md +++ b/README.md @@ -73,10 +73,25 @@ + +
不建议 fork 项目，本项目会持续更新，只 fork 看不到更新，建议 Star ⭐️ ~

- + + + + + + + + +
+ + + + +
源代码 开发环境 文档/课件PPT 视频 课后答疑 @@ -85,123 +100,6 @@ Surrounding Semantic Occupancy Perception Course for Autonomous Driving -

- -
From BEV to Occupancy Network -
*From https://github.com/CVPR2023-3D-Occupancy-Prediction/CVPR2023-3D-Occupancy-Prediction -

- -
- - -## 背景介绍 - -在没有occupancy network之前，感知只有识别出障碍物是什么类型，规控才会响应，进行制动或避让的响应。如果感知识别不出来，不好意思，就是一堵墙挡在前面，车子也会“无脑”撞上去。 - -![image](https://github.com/Charmve/OccNet-Course/assets/29084184/2491c935-fb08-4e0b-979c-cd1e2c9d2e22) - -> 没有occupancy network之前的特斯拉 - -就算识别出了目标，给出的空间也不一定准确。按照3m的跟停距离来说，这种场景也有一定剐蹭的风险。 - -![image](https://github.com/Charmve/OccNet-Course/assets/29084184/502904e2-55aa-42f8-8635-36fc12757dc4) - -> 敢问阁下将如何应对 - -但有了occupancy network之后，感知就可以输出这部分的网格是被占用的，达到类似激光雷达点云的作用，从而给出位置和速度。规控就可以对这种被占用的位置做响应。 - - - -> occupancy networks 效果图 - -可以说occupancy network对感知来说是质的飞跃，干掉激光雷达成为了可能。有了occupancy network，撞墙、撞无法识别出类型的障碍物已经成为历史！无论是路边的电线杆、还是标志牌，无论挡在车前的是树枝、是牛都可以响应。 - -![image](https://github.com/Charmve/OccNet-Course/assets/29084184/d03538f0-d5b2-446c-b007-f3b2800defec) - -Occupancy网络可以识别移动部分和非移动部分、未知障碍物等。 - - - -很多人提到Occ网络，会理解为对通用障碍物，尤其是白名单之外的异形障碍物的感知能力，这没有错。但很多人不知道，Occ网络对于遮挡，也能起到很好的脑补能力。3D空间的占据栅格可以很方便计算遮挡关系，就能帮助感知系统预见遮挡区域。 - -

- - ------- - -

课程介绍

- -大家好！ - -欢迎来到《占据网络在自动驾驶中的应用》这门课程的学习，我是Charmve，大家也可以叫我察姆。目前任职于国内某自动驾驶独角兽公司，有多年自动驾驶量产经验。在本课程中，我们主要对今年国内外备受关注的Occupancy Network做一个专题学习分享，普遍认为它是解决自动驾驶感知长尾问题的关键技术。 - -特斯拉在去年AI DAY上，分享了他们在感知方面的一个重点技术：Occupancy Network (占据网络)，自此引发业内网对占据网络的关注。研究机器人技术的同学肯定对occupancy grid不会陌生，occupancy表示空间中每个3D体素（voxel）是否被占据，可以是0/1二元表示，也可以是[0, 1]之间的一个概率值。 - -为什么估计occupancy对自动驾驶感知很重要呢？很核心的一个原因是：车辆在行驶中，除了常见障碍物如车辆、行人，我们可以通过3D物体检测的方式来估计他们的位置和大小，还有更多长尾的障碍物也会对行驶产生重要影响。例如： - -1. 可变形的障碍物，如两节的挂车，不适合用3D bounding box来表示； -2. 异形障碍物，如翻倒的车辆，3D姿态估计会失效； -3. 不在已知类别中的障碍物，如路上的石子、垃圾等，无法进行分类。 - -因此，我们希望能找到一种更好的表达来描述这些长尾障碍物，完整估计3D空间中每一个位置的占据情况（occupancy），甚至是语义（semantics）和运动情况（flow）。 - -特斯拉用下图的具体例子来展现Occupancy Network的强大。不同于3D的框，occupancy这种表征对物体没有过多的几何假设，因此可以建模任意形状的物体和任意形式的物体运动。图中展示了一个两节的公交车正在启动的场景，蓝色表示运动的体素，红色表示静止的体素，Occupancy Network精确地估计出了公交车的第一节已经开始运动，而第二节还处于静止状态。 - -

- legend -
图1 Tesla Occupancy Network -
▲对正在启动的两节公交车的occupancy估计，蓝色表示运动的体素，红色表示静止的体素 -

- -特斯拉的Occupancy Network 模型结构如下图所示。首先模型利用RegNet和BiFPN从多相机获取特征，然后模型通过带3D空间位置的spatial query对2D图像特征进行基于attention的多相机融合。如何实现3D spatial query和2D特征图之间的联系呢？具体融合的方式图中没有细讲，但最有可能采取的是两种方案： - -- 第一种，叫做3D-to-2D query，即根据每个相机的内外参将3D spatial query投影到2D特征图上，提取对应位置的特征。该方法在DETR3D[1]中提出，BEVFormer[2]和PolarFormer[3]也采取了该思想。 - -- 第二种，是利用positional embedding来进行隐式的映射，即将2D特征图的每个位置加上合理的positional embedding，如相机内外参、像素坐标等，然后让模型自己学习2D到3D特征的对应关系，该方法在论文PETR中提出[4]。再接下来模型进行时序融合，实现的方法是根据已知的自车位置和姿态变化，将3D特征空间进行拼接。 - -不光是上述提到的BEVFormer、PETR算法，我们在本课程中会详细的分析、总结和对比不同算法之间的来龙去脉，各自发展的过程，核心思想和优化点。 - -这一工作的分享，激发了大家对自动驾驶感知算法方向的探讨，普遍认为占据网络是未来感知算法的终极解决方案 。通过稠密的空间体素占用确定自动驾驶车辆的感知结果，为预测和规划提供更加准备的条件。更加有利于特征时序融合、做到自动驾驶端到端的解决方案，最终实现L4，直至L5完全无人驾驶。 - -

- demo - legend -
图2 空间占据预测示例（TPVFormer、OccFormer） -

- -

不知道怎么学习占据网络？学习难度大？

- -今年来，学术界和工业界都在视觉occupancy方面有了大量的工作，从纯视觉的方案到多传感器的方案、从前向预测到后向预测，再到最近提出的forward-backward联合方案。对于我们初学者，造成了极大的学习困难。一下子不知道如何下手，从哪开始。本课程的出发点就是为了解决这个痛点，应该算是国内外对于占据网络全面讲解的第一个课程或者专题内容。 - -在接下来的很长一段时间，我会从自动驾驶从业者的角度，跟大家一起学习和分享占据网络的发展及其算法原理，同时我们也提供了代码实践内容。以通俗的语言讲解从2D目标检测到BEV视角下的3D目标检测，再到3D空间占用算法的整个过程。并且尤其关注到算法原理本身，对比不同算法，详细分析其核心思想和各算法的优化点。更为特别的，在本课程中，我们会给出两个占据网络的复现和优化，让你快速复现，学以致用。尤其适合目前正在求职的朋友、对自动驾驶感知算法感兴趣的跨行就职者。每个章节都会有详细的课件和答疑群，欢迎大家一起交流！课程后，会有一个大作业，根据给出的条件和目标，思路提示，完成占据网络算法的优化，提升mIoU指标。 - -

- -
图3 课程源代码 -

- -

课程特色

- -✨ 系统性学习占据网络算法设计原理、多种方案对比分析，由浅入深。最重要的是，本课程是一个实践课程，亲自动手设计、训练和部署一个Occ网络，走完一个闭环。这对于进入求职者是十分有优势的一点，尤其对于现在想要进入自动驾驶算法岗位的同学，占据网络、BEV、Transformer和部署经验，都是十分有竞争力的一点。 - -

- -- 由浅入深，通俗易懂 - -作者根据多年的自动驾驶经验，从占据网络的发展过程详细的阐述从2D检测到BEV 3D检测再到占据网络，讲清楚为什么前一方法不适用，各自方法有什么局限性。占据网络的神力又在哪里？由浅入深，一个问题一个问题解答。 - -- Occ算法全覆盖，高度提炼 - -涵盖当前几乎所有的占据网络算法，融会贯通，总结和提炼各自算法的核心思想，引出新的思考。 - -- 理论结合实战 - -项目实战和理论结合，实战课程的课后配套实战代码和操作文档，随学随练、快速掌握。 - -

- -[Index](#课程目录) -

课程目录

#自动驾驶感知算法之占据网络专题# @@ -211,16 +109,16 @@ Occupancy网络可以识别移动部分和非移动部分、未知障碍物等 - - 课程章节（点击标题展开章节详情🔎） + + 课程章节
（点击标题展开章节详情🔎） - + 课程视频 - + 课件PPT - - + + 节选 @@ -472,10 +370,10 @@ Occupancy网络可以识别移动部分和非移动部分、未知障碍物等 - 7.3.3 矢量地图在线建图：MapTR/MapTRv2、ScalableMap、VectorMapNet、HDMapNet、GeMap、MapEX、(HybriMap)[https://mp.weixin.qq.com/s/DrerkRzdiIIz7OZMz_9p0g] - 7.3.4 BEV-OCC-Transformer: OccFormer、OccWorld、Occupancy-Flow - 长期： - - 7.3.2 大模型 [LMDrive](https://github.com/opendilab/LMDrive) [关于大模型和自动驾驶的几个迷思](关于大模型和自动驾驶的几个迷思.md) - - 7.3.3 通用视觉大模型(世界模型)（常识推理、自监督/弱监督）：Drive-WM、DriveDreamer - - 7.3.4 模型稀疏化（我们其实不需要那么多数据量做训练？） - - 7.3.5 训练加速&端侧大模型推理加速 + - 7.3.5 大模型 [LMDrive](https://github.com/opendilab/LMDrive) [关于大模型和自动驾驶的几个迷思](关于大模型和自动驾驶的几个迷思.md) + - 7.3.6 通用视觉大模型(世界模型)（常识推理、自监督/弱监督）：Drive-WM、DriveDreamer + - 7.3.7 模型稀疏化（我们其实不需要那么多数据量做训练？） + - 7.3.8 训练加速&端侧大模型推理加速 - 7.4 数据 - 7.4.1 4D数据自动标注 - 7.4.2 数据合成 @@ -484,9 +382,9 @@ Occupancy网络可以识别移动部分和非移动部分、未知障碍物等 - 7.5 端到端闭环仿真（[NeuroNCAP](https://research.zenseact.com/publications/neuro-ncap/)、[NeuRAD](https://research.zenseact.com/publications/neurad/)、VAD、UniAD、UniSim） - 7.6 其他 - 7.6.1 舱驾一体 - - 7.6.1 AI 编译器: MLIR、TVM、XLA、Triton - - 7.6.1 模型剪枝、模型蒸馏、模型压缩、模型量化（PTQ、QAT） - - 7.6.1 自动驾驶系统评测方案 + - 7.6.2 AI 编译器: MLIR、TVM、XLA、Triton + - 7.6.3 模型剪枝、模型蒸馏、模型压缩、模型量化（PTQ、QAT） + - 7.6.4 自动驾驶系统评测方案 @@ -582,6 +480,98 @@ scripts/goto_dev_docker.sh cd code/ ``` + +
+ +

背景介绍

 + +在没有occupancy network之前，感知只有识别出障碍物是什么类型，规控才会响应，进行制动或避让的响应。如果感知识别不出来，不好意思，就是一堵墙挡在前面，车子也会“无脑”撞上去。 + +![image](https://github.com/Charmve/OccNet-Course/assets/29084184/2491c935-fb08-4e0b-979c-cd1e2c9d2e22) + +> 没有occupancy network之前的特斯拉 + +就算识别出了目标，给出的空间也不一定准确。按照3m的跟停距离来说，这种场景也有一定剐蹭的风险。 + +![image](https://github.com/Charmve/OccNet-Course/assets/29084184/502904e2-55aa-42f8-8635-36fc12757dc4) + +> 敢问阁下将如何应对 + +但有了occupancy network之后，感知就可以输出这部分的网格是被占用的，达到类似激光雷达点云的作用，从而给出位置和速度。规控就可以对这种被占用的位置做响应。 + + + +> occupancy networks 效果图 + +可以说occupancy network对感知来说是质的飞跃，干掉激光雷达成为了可能。有了occupancy network，撞墙、撞无法识别出类型的障碍物已经成为历史！无论是路边的电线杆、还是标志牌，无论挡在车前的是树枝、是牛都可以响应。 + +![image](https://github.com/Charmve/OccNet-Course/assets/29084184/d03538f0-d5b2-446c-b007-f3b2800defec) + +Occupancy网络可以识别移动部分和非移动部分、未知障碍物等。 + + + +很多人提到Occ网络，会理解为对通用障碍物，尤其是白名单之外的异形障碍物的感知能力，这没有错。但很多人不知道，Occ网络对于遮挡，也能起到很好的脑补能力。3D空间的占据栅格可以很方便计算遮挡关系，就能帮助感知系统预见遮挡区域。 + +

+
+ +------ + +

课程介绍

+ +大家好！ + +欢迎来到《占据网络在自动驾驶中的应用》这门课程的学习，我是Charmve，大家也可以叫我察姆。目前任职于国内某自动驾驶独角兽公司，有多年自动驾驶量产经验。在本课程中，我们主要对今年国内外备受关注的Occupancy Network做一个专题学习分享，普遍认为它是解决自动驾驶感知长尾问题的关键技术。 + +特斯拉在去年AI DAY上，分享了他们在感知方面的一个重点技术：Occupancy Network (占据网络)，自此引发业内网对占据网络的关注。研究机器人技术的同学肯定对occupancy grid不会陌生，occupancy表示空间中每个3D体素（voxel）是否被占据，可以是0/1二元表示，也可以是[0, 1]之间的一个概率值。 + +为什么估计occupancy对自动驾驶感知很重要呢？很核心的一个原因是：车辆在行驶中，除了常见障碍物如车辆、行人，我们可以通过3D物体检测的方式来估计他们的位置和大小，还有更多长尾的障碍物也会对行驶产生重要影响。例如： + +1. 可变形的障碍物，如两节的挂车，不适合用3D bounding box来表示； +2. 异形障碍物，如翻倒的车辆，3D姿态估计会失效； +3. 不在已知类别中的障碍物，如路上的石子、垃圾等，无法进行分类。 + +因此，我们希望能找到一种更好的表达来描述这些长尾障碍物，完整估计3D空间中每一个位置的占据情况（occupancy），甚至是语义（semantics）和运动情况（flow）。 + +特斯拉用下图的具体例子来展现Occupancy Network的强大。不同于3D的框，occupancy这种表征对物体没有过多的几何假设，因此可以建模任意形状的物体和任意形式的物体运动。图中展示了一个两节的公交车正在启动的场景，蓝色表示运动的体素，红色表示静止的体素，Occupancy Network精确地估计出了公交车的第一节已经开始运动，而第二节还处于静止状态。 + +

+ legend +
图1 Tesla Occupancy Network +
▲对正在启动的两节公交车的occupancy估计，蓝色表示运动的体素，红色表示静止的体素 +

+ +特斯拉的Occupancy Network 模型结构如下图所示。首先模型利用RegNet和BiFPN从多相机获取特征，然后模型通过带3D空间位置的spatial query对2D图像特征进行基于attention的多相机融合。如何实现3D spatial query和2D特征图之间的联系呢？具体融合的方式图中没有细讲，但最有可能采取的是两种方案： + +- 第一种，叫做3D-to-2D query，即根据每个相机的内外参将3D spatial query投影到2D特征图上，提取对应位置的特征。该方法在DETR3D[1]中提出，BEVFormer[2]和PolarFormer[3]也采取了该思想。 + +- 第二种，是利用positional embedding来进行隐式的映射，即将2D特征图的每个位置加上合理的positional embedding，如相机内外参、像素坐标等，然后让模型自己学习2D到3D特征的对应关系，该方法在论文PETR中提出[4]。再接下来模型进行时序融合，实现的方法是根据已知的自车位置和姿态变化，将3D特征空间进行拼接。 + +不光是上述提到的BEVFormer、PETR算法，我们在本课程中会详细的分析、总结和对比不同算法之间的来龙去脉，各自发展的过程，核心思想和优化点。 + +这一工作的分享，激发了大家对自动驾驶感知算法方向的探讨，普遍认为占据网络是未来感知算法的终极解决方案 。通过稠密的空间体素占用确定自动驾驶车辆的感知结果，为预测和规划提供更加准备的条件。更加有利于特征时序融合、做到自动驾驶端到端的解决方案，最终实现L4，直至L5完全无人驾驶。 + +

+ demo + legend +
图2 空间占据预测示例（TPVFormer、OccFormer） +

+ +

不知道怎么学习占据网络？学习难度大？

+ +今年来，学术界和工业界都在视觉occupancy方面有了大量的工作，从纯视觉的方案到多传感器的方案、从前向预测到后向预测，再到最近提出的forward-backward联合方案。对于我们初学者，造成了极大的学习困难。一下子不知道如何下手，从哪开始。本课程的出发点就是为了解决这个痛点，应该算是国内外对于占据网络全面讲解的第一个课程或者专题内容。 + +在接下来的很长一段时间，我会从自动驾驶从业者的角度，跟大家一起学习和分享占据网络的发展及其算法原理，同时我们也提供了代码实践内容。以通俗的语言讲解从2D目标检测到BEV视角下的3D目标检测，再到3D空间占用算法的整个过程。并且尤其关注到算法原理本身，对比不同算法，详细分析其核心思想和各算法的优化点。更为特别的，在本课程中，我们会给出两个占据网络的复现和优化，让你快速复现，学以致用。尤其适合目前正在求职的朋友、对自动驾驶感知算法感兴趣的跨行就职者。每个章节都会有详细的课件和答疑群，欢迎大家一起交流！课程后，会有一个大作业，根据给出的条件和目标，思路提示，完成占据网络算法的优化，提升mIoU指标。 + + +

课件代码一应俱全

细致的讲解，不光要有理论，代码及实践也一定要讲透彻！通过全套的视频讲解，帮你在脑海中搭建模型的基本框架，彻底搞懂每一个知识点，从而提高写代码的效率和速度。 @@ -597,13 +587,31 @@ cd code/

-[Index](#课程目录) +[课程目录](#课程目录) + +

课程特色

+ +✨ 系统性学习占据网络算法设计原理、多种方案对比分析，由浅入深。最重要的是，本课程是一个实践课程，亲自动手设计、训练和部署一个Occ网络，走完一个闭环。这对于进入求职者是十分有优势的一点，尤其对于现在想要进入自动驾驶算法岗位的同学，占据网络、BEV、Transformer和部署经验，都是十分有竞争力的一点。 + +

+ 由浅入深，通俗易懂 +

  • 作者根据多年的自动驾驶经验，从占据网络的发展过程详细的阐述从2D检测到BEV 3D检测再到占据网络，讲清楚为什么前一方法不适用，各自方法有什么局限性。占据网络的神力又在哪里？由浅入深，一个问题一个问题解答。
    • + + Occ算法全覆盖，高度提炼 +
  • 涵盖当前几乎所有的占据网络算法，融会贯通，总结和提炼各自算法的核心思想，引出新的思考。
    • +     + 理论结合实战 +
  • 项目实战和理论结合，实战课程的课后配套实战代码和操作文档，随学随练、快速掌握。
    • +     +

    + +[课程目录](#课程目录)

    讲师介绍

    我是 Charmve，在多家自动驾驶头部公司任职，主要关注在BEV视觉感知、3D场景重建，有多个自动驾驶量产项目经验。近年来，尤其关注在占据网络的研发上，根据个人所学所思和工作实践，跟大家一起分享这个主题内容。 -[Index](#课程目录) +[课程目录](#课程目录)

    课程学后收获

    @@ -615,7 +623,7 @@ cd code/

    -[Index](#课程目录) +[课程目录](#课程目录)

    适合人群

    @@ -627,13 +635,13 @@ cd code/

    -[Index](#课程目录) +[课程目录](#课程目录)

    开课时间与学习方式

    2023年11月份开始学习之路，历经两个月，离线视频授课。主讲老师在微信学习群内答疑，对课程中的算法、代码、环境配置等问题一一解惑！ -[Index](#课程目录) +[课程目录](#课程目录)

    课程咨询与购买

    @@ -642,9 +650,9 @@ cd code/

    - + VIP 专享8折优惠券 - +

    @@ -657,7 +665,7 @@ cd code/ - 扫码支付 微信支付 支付宝 Paypal + 扫码支付 微信支付 支付宝 Paypal @@ -671,7 +679,7 @@ cd code/

    -

    (Click to study) 前20名 或 转发朋友圈 8折 +
    (点击购买) 前20名 或 转发朋友圈 8折 ~~860~~ 688 元
    @@ -683,18 +691,24 @@ cd code/
    -[Index](#课程目录) +[课程目录](#课程目录) ## 🔥 Stargazers Over Time [![Star History Chart](https://api.star-history.com/svg?repos=Charmve/OccNet-Course&type=Timeline)](https://star-history.com/#Charmve/OccNet-Course&Timeline) -[Index](#课程目录) +[课程目录](#课程目录) -
    +## Closed-loop Simulator + +[课程展望与总结](Chapter07-课程展望与总结) + + + +[课程目录](#课程目录) ## Acknowledge Some benchmark result and soure code from: https://github.com/CVPR2023-3D-Occupancy-Prediction/CVPR2023-3D-Occupancy-Prediction -@Maiwei.ai +@Maiwei.ai diff --git a/scripts/goto_dev_docker.sh b/scripts/goto_dev_docker.sh index 2628d96..62f3f3a 100755 --- a/scripts/goto_dev_docker.sh +++ b/scripts/goto_dev_docker.sh @@ -117,7 +117,6 @@ function main() { --workdir=/maiwei \ --shm-size 16g \ "$X86_64_DEV_REPO" /bin/bash - # charmve/maiwei-dev-x86_64-20231116 /bin/bash xhost -local:"${USER}" 1>/dev/null 2>&1 } diff --git a/src/imgs/animated_overview.gif b/src/imgs/animated_overview.gif new file mode 100644 index 0000000..84a9f0e --- /dev/null +++ b/src/imgs/animated_overview.gif @@ -0,0 +1,3 @@ +version https://git-lfs.github.com/spec/v1 +oid sha256:033778776e54831dcf47f885b94b7209be50be465fae72807f7be00fc3fe6d00 +size 1938038