NETRYX

محرك تحديد المواقع الجغرافية على مستوى الشارع مفتوح المصدر

ارفع أي صورة شارع. احصل على إحداثيات GPS دقيقة.
دقة أقل من 50 متر. لا حاجة لمعالم. يعمل بالكامل على أجهزتك.

عروض توضيحية · كيف يعمل · البدء · الاستخدام · الأسئلة الشائعة

---

هذا الإصدار قديم، استخدم هذا بدلاً من ذلك

المستودع الجديد

ما هو Netryx؟

Netryx هي أداة تحديد مواقع جغرافية تعمل محلياً أولاً وتحدد الإحداثيات الدقيقة لأي صورة شارع. على عكس البحث العكسي عن الصور (الذي يطابق الصور المرفوعة على الويب)، يطابق Netryx صورًا بانورامية للشوارع تم جمعها بشكل منهجي — مما يعني أنه يعمل على أي زاوية شارع عشوائية بدون أي وجود على الإنترنت.

يجمع خط الأنابيب الأساسي بين ثلاثة نماذج رؤية حاسوبية حديثة:

• CosPlace للتعرف البصري على الأماكن عالمياً (الاسترجاع)
• ALIKED/DISK لاستخراج الميزات المحلية (النقاط المفتاحية)
• LightGlue لمطابقة الميزات العميقة (التحقق)

Google Lens يبحث في الإنترنت. Netryx يبحث في العالم المادي.

---

عروض توضيحية

حالة الاستخدام	الرابط
تحديد موقع ضربة صاروخية — قطر (فبراير 2026)	شاهد على يوتيوب
مراقبة الصراع — احتجاجات باريس	شاهد على يوتيوب
تحديد جغرافي أعمى من صورة عشوائية — باريس	شاهد على يوتيوب
تعمق تقني: كيف يعمل خط الأنابيب	شاهد على يوتيوب

---

كيف يعمل

يستخدم Netryx خط أنابيب من ثلاث مراحل يضيق تدريجياً من ملايين المرشحين إلى تطابق دقيق واحد. Netryx هو مجرد أداة، وهي غير مرتبطة بمصدر ويمكنها معالجة الصور من أي مزود مثل mapillary أو kartaview أو أي مزود آخر.

المرحلة 1 — الاسترجاع العالمي (CosPlace)

تمت معالجة كل صورة بانورامية للشارع في الفهرس مسبقاً إلى "بصمة" بُعدها 512 باستخدام CosPlace، وهو نموذج التعرف البصري على الأماكن المدرب على ملايين الصور ذات العلامات الجغرافية.

عند رفع صورة استعلام:

1. يستخرج النظام واصف CosPlace من صورتك
2. يستخرج أيضاً واصفاً من نسخة مقلوبة أفقياً (يلتقط المنظورات المعكوسة)
3. تُقارن كلا الواصفين مع كل إدخال في الفهرس باستخدام تشابه جيب التمام
4. يقوم مرشح نصف القطر (مسافة هافرسين) بتضييق المرشحين إلى منطقة البحث المحددة
5. يتم إرجاع أفضل 500–1000 صورة بانورامية متشابهة بصرياً كمرشحين

تعمل هذه المرحلة في أقل من ثانية واحدة بغض النظر عن حجم الفهرس — إنها عملية ضرب مصفوفة واحدة.

المرحلة 2 — التحقق الهندسي المحلي (ALIKED/DISK + LightGlue)

يجد CosPlace أماكن تبدو متشابهة. تثبت المرحلة 2 أنها نفس المكان باستخدام التحقق الهندسي.

لكل مرشح:

1. يتم تنزيل البانوراما الأصلية من Google Street View (8 بلاطات، مدمجة)
2. يتم استخراج قص مستقيم الزوايا بزاوية الاتجاه المفهرسة
3. يتم إنشاء قص متعدد زوايا الرؤية بثلاثة مجالات رؤية (70°، 90°، 110°) للتعامل مع عدم تطابق التكبير بين صورة الاستعلام والمنظر المفهرس
4. يستخرج ALIKED (على CUDA) أو DISK (على MPS/CPU) النقاط المفتاحية والواصفات المحلية
5. يقوم LightGlue بمطابقة الميزات العميقة بين النقاط المفتاحية للاستعلام والمرشح
6. يقوم RANSAC بتصفية المطابقات للاحتفاظ فقط بالتوافقات المتسقة هندسياً (يرفض المطابقات الخاطئة)
7. المرشح الذي يحتوي على أكبر عدد من النقاط الداخلية التي تم التحقق منها هو أفضل تطابق

تعالج هذه المرحلة 300–500 مرشح في 2–5 دقائق حسب أجهزتك.

المرحلة 3 — التحسين

التطابق الأولي جيد ولكنه ليس الأمثل دائماً. يعمل التحسين على تحسينه:

• تحسين زاوية الاتجاه: بالنسبة لأفضل 15 مرشحاً، يختبر النظام إزاحات ±45° بخطوات 15° عبر 3 مجالات رؤية. هذا يلتقط الحالات التي لا تتطابق فيها زاوية الاتجاه المفهرسة تماماً مع اتجاه رؤية الاستعلام.
• التوافق المكاني: يتم تجميع المطابقات في خلايا 50 متر. إذا تجمع عدة مرشحين في منطقة واحدة، تُفضل هذه المجموعة على مرشح فردي ذي نقاط داخلية عالية — مما يقلل النتائج الإيجابية الخاطئة.
• تسجيل الثقة: يقوم النظام بتقييم التجميع الجغرافي لأفضل المطابقات ونسبة التفرد (مدى تفوق أفضل تطابق على الوصيف في موقع مختلف).

الوضع الفائق (اختياري)

للصور الصعبة (ليل، ضباب، نسيج منخفض)، يضيف الوضع الفائق:

• LoFTR: مطابق كثيف بدون كاشف يجد التوافقات دون الاعتماد على كشف النقاط المفتاحية. يتعامل مع الضباب والمشاهد منخفضة التباين حيث يكافح ALIKED/DISK.
• القفز بالواصف: إذا كان التطابق الأولي ضعيفاً (<50 نقطة داخلية)، يستخرج النظام واصف CosPlace من البانوراما المتطابقة (وهي نظيفة وعالية الجودة) ويعيد البحث في الفهرس. غالباً ما يجد هذا البانوراما الصحيحة الدقيقة التي فاتها الاستعلام المتدهور.
• التوسع الجيراني: يبحث في جميع البانورامات ضمن 100 متر من أفضل تطابق. غالباً ما يكون الموقع الصحيح على بعد عقدة شارع واحدة من أفضل تطابق في CosPlace.

---

الهيكل

صورة الاستعلام
    │
    ├── استخراج واصف CosPlace (بصمة 512-بعد)
    ├── استخراج واصف الصورة المقلوبة
    │
    ▼
البحث في الفهرس (تشابه جيب التمام، مرشح نصف القطر)
    │
    ├── أفضل 500 مرشح مرتبة حسب التشابه البصري
    │
    ▼
تنزيل البانورامات → قص بزوايا رؤية 3 → استخراج نقاط ALIKED/DISK المفتاحية
    │
    ├── مطابقة LightGlue مقابل نقاط الاستعلام المفتاحية
    ├── التحقق الهندسي RANSAC
    │
    ▼
تحسين زاوية الاتجاه (±45°، 3 مجالات رؤية، أفضل 15 مرشحاً)
    │
    ├── تجميع التوافق المكاني
    ├── تسجيل الثقة
    │
    ▼
📍 إحداثيات GPS + درجة الثقة

---

البدء

المتطلبات

المكون	الحد الأدنى	الموصى به
نظام التشغيل	macOS / Linux / Windows	macOS (M1+) أو Linux مع GPU NVIDIA
ذاكرة GPU VRAM	4GB	8GB+
RAM	8GB	16GB+
التخزين	10GB	50GB+ (يعتمد على حجم المنطقة المفهرسة)
الإنترنت	مطلوب للفهرسة والبحث	النطاق العريض موصى به
Python	3.9+	3.10+

دعم GPU:

• Mac: MPS (Metal Performance Shaders) — M1/M2/M3/M4
• NVIDIA: CUDA — أي GPU بذاكرة 4GB+
• CPU: يعمل لكنه أبطأ بكثير

التثبيت

# استنساخ المستودع
git clone https://github.com/sparkyniner/Netryx-OpenSource-Next-Gen-Street-Level-Geolocation.git

cd .\Netryx-OpenSource-Next-Gen-Street-Level-Geolocation\

# إنشاء بيئة افتراضية
python3 -m venv venv
source venv/bin/activate  # على ويندوز: venv\Scripts\activate

# تثبيت التبعيات
pip install -r requirements.txt

# تثبيت LightGlue صراحة (مطلوب للمطابقة)
pip install git+https://github.com/cvg/LightGlue.git

# اختياري: تثبيت kornia للوضع الفائق (LoFTR)
pip install kornia

ملاحظة: يتم استيراد lightglue من قبل التطبيق كوحدة Python، ولكن يتم تثبيته من مستودع GitHub أعلاه.

مفتاح Gemini API (اختياري — للوضع الخشن بالذكاء الاصطناعي) [غير موصى به للاستخدام، اليدوي يقوم بالمهمة]

إذا كنت ترغب في استخدام ميزة التحديد الجغرافي الأعمى بمساعدة الذكاء الاصطناعي:

1. احصل على مفتاح API مجاني من Google AI Studio
2. قم بتعيينه كمتغير بيئة:

export GEMINI_API_KEY="your_key_here"

---

الاستخدام

تشغيل الواجهة الرسومية

python test_super.py

مستخدمو macOS: إذا ظهرت الواجهة فارغة، قم بترقية tkinter: brew install [email protected] (أو إصدار Python الخاص بك). يعاني tkinter المضمن في Python للنظام من مشكلات عرض معروفة في إصدارات macOS الحديثة.

الخطوة 1: إنشاء فهرس

قبل البحث، تحتاج إلى فهرسة منطقة. هذا يزحف على البانورامات الخاصة بـ Street View ويستخلص بصمات CosPlace.

1. اختر وضع Create
2. أدخل إحداثيات المركز (خط العرض، خط الطول) للمنطقة التي تريد فهرستها
3. قم بتعيين نصف قطر البحث (ابدأ بـ 0.5–1 كم للاختبار، 5–10 كم للإنتاج)
4. قم بتعيين دقة الشبكة (300 هي افتراضية جيدة — الأعلى يعني تغطية أكثر كثافة، من فضلك لا تعبث بهذا)
5. انقر Create Index

تقديرات وقت الفهرسة: