NETRYX

Motor de geolocalización callejera de código abierto

Sube cualquier foto de una calle. Obtén coordenadas GPS precisas.
Precisión inferior a 50 m. No se necesitan puntos de referencia. Funciona completamente en tu hardware.

Demostraciones · Cómo funciona · Cómo empezar · Uso · Preguntas frecuentes

---

ESTA VERSIÓN ES ANTIGUA, USA ESTA EN SU LUGAR

NUEVO REPO

¿Qué es Netryx?

Netryx es una herramienta de geolocalización local que identifica las coordenadas GPS exactas de cualquier fotografía a nivel de calle. A diferencia de la búsqueda inversa de imágenes (que compara con imágenes web subidas), Netryx compara con panorámicas de vistas callejeras rastreadas sistemáticamente — lo que significa que funciona en cualquier esquina aleatoria sin presencia en internet.

El proceso central combina tres modelos de visión artificial de última generación:

• CosPlace para el reconocimiento global de lugares visuales (recuperación)
• ALIKED/DISK para la extracción de características locales (puntos clave)
• LightGlue para la coincidencia profunda de características (verificación)

Google Lens busca en internet. Netryx busca en el mundo físico.

---

Demostraciones

Caso de uso	Enlace
Geolocalización de ataque con misil — Catar (Feb 2026)	Ver en YouTube
Monitoreo de conflictos — Protestas en París	Ver en YouTube
Geolocalización ciega desde una foto aleatoria — París	Ver en YouTube
Análisis técnico: cómo funciona el proceso	Ver en YouTube

---

Cómo funciona

Netryx utiliza un proceso de tres etapas que reduce progresivamente desde millones de candidatos hasta una única coincidencia precisa. Netryx es simplemente una herramienta, no depende de una fuente concreta y puede procesar imágenes de cualquier proveedor como Mapillary o Kartaview, o cualquier otro.

Etapa 1 — Recuperación global (CosPlace)

Cada panorámica de vista callejera en el índice ha sido preprocesada para obtener una "huella digital" de 512 dimensiones usando CosPlace, un modelo de reconocimiento visual de lugares entrenado con millones de imágenes geoetiquetadas.

Cuando subes una foto de consulta:

1. El sistema extrae un descriptor CosPlace de tu imagen
2. También extrae un descriptor de una versión reflejada horizontalmente (captura perspectivas invertidas)
3. Ambos descriptores se comparan con cada entrada del índice mediante similitud coseno
4. Un filtro de radio (distancia haversine) reduce los candidatos al área de búsqueda especificada
5. Las 500–1000 panorámicas visualmente más similares se devuelven como candidatos

Esta etapa se ejecuta en menos de 1 segundo independientemente del tamaño del índice — es una única multiplicación de matrices.

Etapa 2 — Verificación geométrica local (ALIKED/DISK + LightGlue)

CosPlace encuentra lugares que se parecen. La Etapa 2 demuestra que son el mismo lugar mediante verificación geométrica.

Para cada candidato:

1. La panorámica original se descarga de Google Street View (8 teselas, unidas)
2. Se extrae un recorte rectilíneo en el ángulo de orientación indexado
3. Se generan recortes multi-FOV en tres campos de visión (70°, 90°, 110°) para manejar diferencias de zoom entre la foto de consulta y la vista indexada
4. ALIKED (en CUDA) o DISK (en MPS/CPU) extrae puntos clave y descriptores locales
5. LightGlue realiza la coincidencia profunda de características entre los puntos clave de la consulta y los del candidato
6. RANSAC filtra las coincidencias para conservar solo las correspondencias geométricamente consistentes (rechaza falsas coincidencias)
7. El candidato con más inliers verificados es la mejor coincidencia

Esta etapa procesa 300–500 candidatos en 2–5 minutos dependiendo de tu hardware.

Etapa 3 — Refinamiento

La coincidencia inicial es buena pero no siempre óptima. El refinamiento la mejora:

• Refinamiento de orientación: Para los 15 mejores candidatos, el sistema prueba desplazamientos de orientación de ±45° en pasos de 15° en 3 FOV. Esto captura casos donde la orientación indexada no coincide exactamente con la dirección de visión de la consulta.
• Consenso espacial: Las coincidencias se agrupan en celdas de 50 m. Si varios candidatos se agrupan en una misma área, se prefiere ese grupo sobre un único valor atípico con muchos inliers — reduciendo falsos positivos.
• Puntuación de confianza: El sistema evalúa la agrupación geográfica de las mejores coincidencias y la relación de unicidad (cuánto mejor es la mejor coincidencia frente a la segunda mejor en una ubicación diferente).

Modo Ultra (Opcional)

Para imágenes difíciles (noche, desenfoque, baja textura), el Modo Ultra añade:

• LoFTR: Un emparejador denso sin detector que encuentra correspondencias sin depender de la detección de puntos clave. Maneja desenfoque y escenas de bajo contraste donde ALIKED/DISK tienen dificultades.
• Salto de descriptor: Si la coincidencia inicial es débil (<50 inliers), el sistema extrae un descriptor CosPlace de la panorámica coincidente (que es limpia/alta calidad) y vuelve a buscar en el índice. Esto a menudo encuentra la panorámica exacta correcta que la consulta degradada no encontró.
• Expansión de vecindario: Busca todas las panorámicas dentro de 100 m de la mejor coincidencia. La ubicación correcta suele estar a un nodo de calle de distancia de la mejor coincidencia de CosPlace.

---

Arquitectura

Query Image
    │
    ├── CosPlace descriptor extraction (512-dim fingerprint)
    ├── Flipped descriptor extraction
    │
    ▼
Index Search (cosine similarity, radius-filtered)
    │
    ├── Top 500 candidates ranked by visual similarity
    │
    ▼
Download Panoramas → Crop at 3 FOVs → Extract ALIKED/DISK keypoints
    │
    ├── LightGlue matching against query keypoints
    ├── RANSAC geometric verification
    │
    ▼
Heading Refinement (±45°, 3 FOVs, top 15 candidates)
    │
    ├── Spatial consensus clustering
    ├── Confidence scoring
    │
    ▼
📍 GPS Coordinates + Confidence Score

---

Cómo empezar

Requisitos

Componente	Mínimo	Recomendado
SO	macOS / Linux / Windows	macOS (M1+) o Linux con GPU NVIDIA
VRAM de GPU	4GB	8GB+
RAM	8GB	16GB+
Almacenamiento	10GB	50GB+ (depende del tamaño del área indexada)
Internet	Requerido para indexar y buscar	Banda ancha recomendada
Python	3.9+	3.10+

Soporte de GPU:

• Mac: MPS (Metal Performance Shaders) — M1/M2/M3/M4
• NVIDIA: CUDA — cualquier GPU con 4GB+ VRAM
• CPU: Funciona pero significativamente más lento

Instalación

# Clonar el repositorio
git clone https://github.com/sparkyniner/Netryx-OpenSource-Next-Gen-Street-Level-Geolocation.git

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

# Crear entorno virtual
python3 -m venv venv
source venv/bin/activate  # En Windows: venv\Scripts\activate

# Instalar dependencias
pip install -r requirements.txt

# Instalar LightGlue explícitamente (requerido para coincidencias)
pip install git+https://github.com/cvg/LightGlue.git

# Opcional: Instalar kornia para el Modo Ultra (LoFTR)
pip install kornia