NETRYX

Moteur de géolocalisation open-source au niveau de la rue

Téléchargez n'importe quelle photo de rue. Obtenez des coordonnées GPS précises.
Précision inférieure à 50 m. Aucun point de repère nécessaire. Fonctionne entièrement sur votre matériel.

Démonstrations · Fonctionnement · Pour commencer · Utilisation · FAQ

---

CETTE VERSION EST ANCIENNE, UTILISEZ CELLE-CI À LA PLACE

NOUVEAU DÉPÔT

Qu'est-ce que Netryx ?

Netryx est un outil de géolocalisation local-first qui identifie les coordonnées GPS exactes de toute photographie au niveau de la rue. Contrairement à la recherche d'image inversée (qui compare avec des images web téléchargées), Netryx compare avec des panoramas de rue systématiquement crawlés — ce qui signifie qu'il fonctionne sur n'importe quel coin de rue aléatoire sans aucune présence sur Internet.

Le pipeline central combine trois modèles de vision par ordinateur de pointe :

• CosPlace pour la reconnaissance globale de lieu visuel (récupération)
• ALIKED/DISK pour l'extraction de caractéristiques locales (points clés)
• LightGlue pour l'appariement profond de caractéristiques (vérification)

Google Lens cherche sur Internet. Netryx cherche dans le monde physique.

---

Démonstrations

Cas d'utilisation	Lien
Géolocalisation de frappe de missile — Qatar (fév. 2026)	Regarder sur YouTube
Surveillance de conflit — manifestations à Paris	Regarder sur YouTube
Géolocalisation aveugle à partir d'une photo aléatoire — Paris	Regarder sur YouTube
Analyse technique approfondie : fonctionnement du pipeline	Regarder sur YouTube

---

Comment ça marche

Netryx utilise un pipeline en trois étapes qui réduit progressivement des millions de candidats à une seule correspondance précise. Netryx est simplement un outil, il est indépendant de la source et peut traiter des images provenant de n'importe quel fournisseur comme Mapillary ou KartaView ou tout autre fournisseur.

Étape 1 — Récupération globale (CosPlace)

Chaque panorama de rue dans l'index a été prétraité en une « empreinte digitale » à 512 dimensions à l'aide de CosPlace, un modèle de reconnaissance de lieu visuel entraîné sur des millions d'images géolocalisées.

Lorsque vous téléchargez une photo de requête :

1. Le système extrait un descripteur CosPlace de votre image
2. Il extrait également un descripteur d'une version retournée horizontalement (capte les perspectives inversées)
3. Les deux descripteurs sont comparés à chaque entrée de l'index à l'aide de la similarité cosinus
4. Un filtre de rayon (distance haversine) réduit les candidats à votre zone de recherche spécifiée
5. Les 500 à 1000 vues panoramiques les plus similaires visuellement sont renvoyées comme candidats

Cette étape s'exécute en moins d'une seconde quelle que soit la taille de l'index — c'est une simple multiplication matricielle.

Étape 2 — Vérification géométrique locale (ALIKED/DISK + LightGlue)

CosPlace trouve des endroits qui se ressemblent. L'étape 2 prouve qu'ils sont le même endroit en utilisant la vérification géométrique.

Pour chaque candidat :

1. Le panorama original est téléchargé depuis Google Street View (8 tuiles, assemblées)
2. Un recadrage rectilinéaire est extrait à l'angle de direction indexé
3. Des recadrages multi-champs de vision sont générés à trois champs de vision (70°, 90°, 110°) pour gérer les décalages de zoom entre la photo de requête et la vue indexée
4. ALIKED (sur CUDA) ou DISK (sur MPS/CPU) extrait les points clés et descripteurs locaux
5. LightGlue effectue un appariement profond de caractéristiques entre les points clés de la requête et du candidat
6. RANSAC filtre les correspondances pour ne conserver que les correspondances géométriquement cohérentes (rejette les fausses correspondances)
7. Le candidat avec le plus grand nombre d'inliers vérifiés est la meilleure correspondance

Cette étape traite 300 à 500 candidats en 2 à 5 minutes selon votre matériel.

Étape 3 — Raffinement

La correspondance initiale est bonne mais pas toujours optimale. Le raffinement l'améliore :

• Raffinement de l'angle de direction : Pour les 15 meilleurs candidats, le système teste des décalages de direction de ±45° par pas de 15° sur 3 FOV. Cela permet de rattraper les cas où l'angle de direction indexé ne correspond pas exactement à la direction de vue de la requête.
• Consensus spatial : Les correspondances sont regroupées en cellules de 50 m. Si plusieurs candidats se regroupent dans une zone, ce groupe est préféré à un seul inlier élevé mais aberrant — réduisant les faux positifs.
• Score de confiance : Le système évalue le regroupement géographique des meilleures correspondances et le ratio d'unicité (à quel point la meilleure correspondance est meilleure que le second dans un endroit différent).

Mode Ultra (Optionnel)

Pour les images difficiles (nuit, flou, faible texture), le mode Ultra ajoute :

• LoFTR : Un apparieur dense sans détecteur qui trouve des correspondances sans s'appuyer sur la détection de points clés. Gère le flou et les scènes à faible contraste où ALIKED/DISK peinent.
• Saut de descripteur : Si la correspondance initiale est faible (<50 inliers), le système extrait un descripteur CosPlace à partir du panorama correspondant (qui est propre/haute qualité) et refait une recherche dans l'index. Cela permet souvent de trouver le panorama exact que la requête dégradée avait manqué.
• Expansion de voisinage : Recherche tous les panoramas dans un rayon de 100 m autour de la meilleure correspondance. Le bon emplacement est souvent à un nœud de rue de distance de la meilleure correspondance CosPlace.

---

Architecture

Image de requête
    │
    ├── Extraction du descripteur CosPlace (empreinte 512 dimensions)
    ├── Extraction du descripteur retourné
    │
    ▼
Recherche dans l'index (similarité cosinus, filtrée par rayon)
    │
    ├── Top 500 candidats classés par similarité visuelle
    │
    ▼
Télécharger les panoramas → Recadrer à 3 FOV → Extraire les points clés ALIKED/DISK
    │
    ├── Appariement LightGlue avec les points clés de la requête
    ├── Vérification géométrique RANSAC
    │
    ▼
Raffinement de l'angle de direction (±45°, 3 FOV, top 15 candidats)
    │
    ├── Regroupement par consensus spatial
    ├── Score de confiance
    │
    ▼
📍 Coordonnées GPS + Score de confiance

---

Pour commencer

Prérequis

Composant	Minimum	Recommandé
OS	macOS / Linux / Windows	macOS (M1+) ou Linux avec GPU NVIDIA
VRAM GPU	4 Go	8 Go+
RAM	8 Go	16 Go+
Stockage	10 Go	50 Go+ (dépend de la taille de la zone indexée)
Internet	Requis pour l'indexation et la recherche	Bande passante large recommandée
Python	3.9+	3.10+

Support GPU :

• Mac : MPS (Metal Performance Shaders) — M1/M2/M3/M4
• NVIDIA : CUDA — tout GPU avec 4 Go+ de VRAM
• CPU : Fonctionne mais nettement plus lent

Installation

# Cloner le dépôt
git clone https://github.com/sparkyniner/Netryx-OpenSource-Next-Gen-Street-Level-Geolocation.git

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