sparkyniner/netryx-astra-v2-geolocation-toolदुनिया का सबसे परिष्कृत सड़क स्तर की छवि भू-स्थानीकरण सॉफ्टवेयर
एक ही छवि से अत्याधुनिक AI भू-स्थानिकीकरण।
विचार • यह कैसे काम करता है • आरंभ करना • सामुदायिक केंद्र • स्थापना
आपके पास एक तस्वीर है। हो सकता है वह किसी वीडियो का स्क्रीनशॉट हो। हो सकता है वह किसी के द्वारा ऑनलाइन पोस्ट की गई क्रॉप की गई, धुंधली फोन फोटो हो। हो सकता है वह सिर्फ एक दुकान का अग्रभाग, सड़क का एक हिस्सा, या किसी इमारत का कोना दिखाती हो। आप जानना चाहते हैं कि वह वास्तव में कहाँ ली गई थी।
Netryx Astra V2 उस प्रश्न का उत्तर देता है।
यह एक ओपन-सोर्स भू-स्थानिकीकरण प्रणाली है जो एक एकल छवि लेता है और स्ट्रीट-व्यू पैनोरमा के डेटाबेस से मिलान करके सटीक GPS निर्देशांक ढूंढता है। अपनी फोटो अपलोड करें, और मिनटों में यह आपको सड़क, शहर, निर्देशांक बताता है — कुछ मीटर तक सटीक।
V2 को मूल Netryx (और अन्य उपकरणों) से अलग बनाने वाली बात है मिलान पाइपलाइन। हमने दो मॉडलों का उपयोग करके सब कुछ जमीन से फिर से बनाया जो इस प्रोजेक्ट को शुरू करते समय मौजूद नहीं थे:
MegaLoc (CVPR 2025) — स्थान पहचान के लिए सबसे सटीक छवि पुनर्प्राप्ति मॉडल, जो छह डेटासेटों पर प्रशिक्षित है जो इनडोर, आउटडोर, दिन, रात और मौसमी विविधताओं को कवर करते हैं। यह सही पड़ोस ढूंढता है।
MASt3R (ECCV 2024) — एक 3D-जागरूक सघन मिलानकर्ता जो दृश्यों की ज्यामिति को समझता है, न कि केवल पिक्सेल पैटर्न को। यह आंशिक या भारी रूप से क्रॉप की गई तस्वीरों से भी सटीक स्थान की पुष्टि करता है जो पारंपरिक मिलानकर्ताओं को तोड़ देंगी।
परिणाम एक तीन-चरणीय पाइपलाइन है जो इसके द्वारा बदले गए नौ-चरणीय सिस्टम से सरल और अधिक सटीक दोनों है।
मूल Netryx पुनर्प्राप्ति के लिए CosPlace और सत्यापन के लिए DISK + LightGlue + LoFTR + RANSAC + डिस्क्रिप्टर हॉपिंग + पड़ोस विस्तार का एक स्टैक उपयोग करता था। यह काम करता था, लेकिन यह नाजुक था — एक-दूसरे के ऊपर लगाए गए बहुत सारे ह्युरिस्टिक्स, प्रत्येक पिछले चरण की सीमा के लिए एक समाधान।
V2 ने वह सब छोड़ दिया। यहाँ बताया गया है कि किसने क्या बदला:
सरलीकरण केवल सौंदर्यपरक नहीं है। कम चरणों का अर्थ है गलत होने की कम जगहें, तेज़ खोजें, और कोड जो वास्तव में रखरखाव योग्य है।
पाइपलाइन के तीन चरण हैं। यह अतिसरलीकरण नहीं है — यह वास्तव में सिर्फ तीन चरण हैं।
क्वेरी छवि
│
▼
┌─────────────┐
│ MegaLoc │ "शहर में यह कहाँ हो सकता है?"
│ पुनर्प्राप्ति│
└─────┬───────┘
│ शीर्ष 500 उम्मीदवार
▼
┌─────────────┐
│ MASt3R │ "क्या यह वास्तव में वही स्थान है?"
│ मिलान │
└─────┬───────┘
│ स्कोर किए गए उम्मीदवार
▼
┌─────────────┐
│ स्थानिक │ "मिलानों का कौन सा समूह सबसे भरोसेमंद है?"
│ सहमति │
└─────┬───────┘
│
▼
📍 GPS निर्देशांक
आपकी क्वेरी छवि एक संक्षिप्त डिस्क्रिप्टर में परिवर्तित हो जाती है — दृश्य के सार को कैप्चर करने वाला एक 8448-आयामी वेक्टर। इसे PCA द्वारा 1024 आयामों में घटाया जाता है, फिर डॉट-उत्पाद समानता के माध्यम से प्रत्येक अनुक्रमित स्थान से तुलना की जाती है।
हम थोड़ी ज़ूम की गई केंद्र क्रॉप और क्वेरी के क्षैतिज रूप से फ्लिप किए गए संस्करण के लिए भी एक डिस्क्रिप्टर निकालते हैं, फिर परिणामों को मर्ज करते हैं। यह उन मामलों को संभालता है जहां क्वेरी अनुक्रमित दृश्य से भिन्न ज़ूम स्तर या विपरीत दिशा में हो।
आउटपुट इंडेक्स से शीर्ष 500 उम्मीदवार स्थान हैं, जो दृश्य समानता द्वारा क्रमबद्ध हैं।
MegaLoc Gabriele Berton की प्रयोगशाला (वही समूह जिसने CosPlace और EigenPlaces बनाया) से है। यह उनके काम की नवीनतम श्रृंखला है, जो SF-XL, GSV-Cities, MSLS, और लैंडमार्क पुनर्प्राप्ति डेटा पर एक साथ प्रशिक्षित है। कोई अन्य पुनर्प्राप्ति मॉडल इसे हर बेंचमार्क पर लगातार नहीं हराता — इनडोर, आउटडोर, शहरी, ग्रामीण, दिन, रात।
उन 500 उम्मीदवारों में से प्रत्येक के लिए, हम संबंधित स्ट्रीट-व्यू पैनोरमा डाउनलोड करते हैं, इसे अनुक्रमित शीर्ष कोण पर क्रॉप करते हैं, और क्वेरी और क्रॉप के बीच सघन पिक्सेल संगतता खोजने के लिए MASt3R चलाते हैं।
यहीं पर कठिन क्वेरीज़ के लिए जादू होता है। पारंपरिक मिलानकर्ता जैसे SuperPoint + LightGlue लगभग 500-2000 विरल कुंजी बिंदु निकालते हैं और उन्हें मिलान करने का प्रयास करते हैं। यदि आपकी क्वेरी छवि डेटाबेस छवि के साथ केवल 20% ओवरलैप करती है, तो केवल 50 सह-दृश्य कुंजी बिंदु हो सकते हैं — एक विश्वसनीय मिलान के लिए पर्याप्त नहीं।
MASt3R पूरी तरह से अलग तरीके से काम करता है। यह मिलान को एक 3D पुनर्निर्माण समस्या के रूप में मानता है, प्रत्येक पिक्सेल के लिए सघन बिंदु मानचित्र और स्थानीय फीचर डिस्क्रिप्टर की भविष्यवाणी करता है। यहां तक कि एक छोटा ओवरलैपिंग क्षेत्र भी सैकड़ों विश्वसनीय संगतता उत्पन्न करता है, क्योंकि यह दृश्य की 3D संरचना को समझता है, न कि केवल 2D पिक्सेल पैटर्न को।
Map-free स्थानीयकरण बेंचमार्क (एकल संदर्भ छवि, 180° तक दृश्य बिंदु परिवर्तन) पर, MASt3R पिछले तरीकों को 30% से हराता है। यह एक वृद्धिशील सुधार नहीं है — यह एक पीढ़ीगत छलांग है।
यहाँ समस्या है केवल सबसे अधिक मिलान स्कोर वाले उम्मीदवार को चुनने में: झूठी सकारात्मकताएं मौजूद हैं। 5km दूर दो समान चेन रेस्तरां दोनों उच्च MASt3R स्कोर उत्पन्न करेंगे। सोवियत-युग के अपार्टमेंट ब्लॉकों की एक पंक्ति सभी एक जैसी दिखती हैं।
स्थानिक सहमति इसे हल करती है। हम खोज क्षेत्र को ~50-मीटर ग्रिड कोशिकाओं में विभाजित करते हैं और सभी अच्छे मिलानों को भौगोलिक रूप से क्लस्टर करते हैं। प्रत्येक कोशिका को उस कोशिका और उसके पड़ोसियों के सभी मिलानों से संयुक्त साक्ष्य के आधार पर एक स्कोर मिलता है।
गलत स्थान पर 200 इनलायर्स वाला एक एकल आउटलायर सही स्थान पर प्रत्येक 80-150 इनलायर्स वाले 5 मिलानों के एक क्लस्टर से बेहतर स्कोर कर सकता है। विजेता क्लस्टर का सबसे अच्छा मिलान अंतिम उत्तर बन जाता है।
यही कारण है कि बड़े खोज त्रिज्या पर भी सटीकता बनी रहती है जहां अधिक समान दिखने वाले स्थान होते हैं।
हम इस चित्र में देख सकते हैं, कि काम करने के लिए बिल्कुल कुछ नहीं है, यह सिर्फ एक छोटा क्रॉप किया हुआ हिस्सा है। पारंपरिक OSINT यहाँ पूरी तरह विफल होगा। फिर भी Netryx Astra ने बिना किसी मेटाडेटा या पूर्व संकेत के, पूरी तरह स्थानीय रूप से चलाकर इसे सटीक निर्देशांकों तक भू-स्थानिकीकृत किया।
एक इमारत की छोटी क्रॉप की गई तस्वीर, मास्को में 1km त्रिज्या में इसका स्थान खोजने के लिए बस इतना ही काफी था।
यह वह हिस्सा है जिसके बारे में हम सबसे अधिक उत्साहित हैं।
किसी शहर को अनुक्रमित करने में कंप्यूट समय के घंटे लगते हैं। प्रत्येक उपयोगकर्ता के लिए एक ही शहर को स्वतंत्र रूप से अनुक्रमित करना बर्बादी है। इसलिए हमने एक साझाकरण प्रणाली बनाई: एक व्यक्ति मास्को को अनुक्रमित करता है, परिणाम अपलोड करता है, और बाकी सभी इसे मिनटों में डाउनलोड कर लेते हैं।
सबसे तेज़ तरीका। किसी और ने पहले ही अनुक्रमण का काम कर लिया है — आप बस उनका पूर्व-निर्मित इंडेक्स डाउनलोड करते हैं।
मोड को Search पर सेट करें, Run Search पर क्लिक करें, और अपनी क्वेरी छवि चुनें। मानचित्र निर्देशांक और खोज त्रिज्या इंडेक्स मेटाडेटा से स्वतः भर जाते हैं। यह सुविधा तभी काम करती है जब समुदाय योगदान देता है और एक-दूसरे का समर्थन करता है, यदि आप किसी क्षेत्र को अनुक्रमित करते हैं, तो हम सभी आभारी होंगे यदि आप इसे अपलोड करते हैं।
महत्वपूर्ण नोट: यदि PCA फिट करते समय एप्लिकेशन मेमोरी समाप्त होने के कारण फ्रीज हो जाता है, तो टर्मिनल में इस कमांड का उपयोग करें! python3 -c "from test_super import build_compact_index; build_compact_index()"
किसी ऐसे शहर या क्षेत्र को अनुक्रमित करना चाहते हैं जो अभी तक किसी ने नहीं किया है? ऐप सब कुछ संभालता है — पैनोरमा डाउनलोड करना, डिस्क्रिप्टर निकालना, खोज इंडेक्स बनाना।
python test_super.py
हुड के नीचे क्या हो रहा है: ऐप त्रिज्या के भीतर बिंदुओं का एक ग्रिड उत्पन्न करता है, सभी उपलब्ध पैनोरमा स्थान ढूंढता है, प्रत्येक पैनोरमा को टाइल्स के रूप में डाउनलोड करता है और जोड़ता है, प्रत्येक पैनोरमा को कई शीर्ष कोणों पर क्रॉप करता है, प्रत्येक क्रॉप के लिए MegaLoc डिस्क्रिप्टर निकालता है, सभी डिस्क्रिप्टर पर PCA फिट करता है, और एक संक्षिप्त खोज इंडेक्स बनाता है।
किसी मित्र, Discord सर्वर, या डाउनलोड लिंक से .netryx फ़ाइल मिली है? बस ऐप में 📥 Import Index पर क्लिक करें, फ़ाइल चुनें, और आप खोज के लिए तैयार हैं। किसी खाते की आवश्यकता नहीं, इंटरनेट की आवश्यकता नहीं — यह पूरी तरह से ऑफलाइन वर्कफ़्लो है।
इंडेक्स सार्वजनिक डेटासेट के रूप में Hugging Face Hub पर होस्ट किए जाते हैं। कोई भी बिना खाते के डाउनलोड कर सकता है। योगदान (अपलोड) के लिए एक निःशुल्क Hugging Face खाते की आवश्यकता है।
GUI से: उपलब्ध इंडेक्स ब्राउज़ करने, खोजने और डाउनलोड करने के लिए 🌐 Community Hub बटन पर क्लिक करें। अपना इंडेक्स साझा करने के लिए ⬆ Upload Current Index पर क्लिक करें।
इंडेक्स बंडल .netryx प्रारूप का उपयोग करते हैं — एक ZIP संग्रह जिसमें शामिल हैं:
जब आप निर्यात करते हैं, तो भौगोलिक फ़िल्टरिंग स्वचालित रूप से होती है। यदि आपके इंडेक्स में मास्को + पेरिस + टोक्यो है लेकिन आप "मास्को 1km" निर्यात करते हैं, तो केवल मास्को प्रविष्टियां शामिल की जाएंगी। आप बिना किसी मैन्युअल कार्य के एक बड़े इंडेक्स से विशिष्ट क्षेत्रों को अलग कर सकते हैं।
Hugging Face का उपयोग नहीं करना चाहते? बस फ़ाइल निर्यात करें और जैसे चाहें साझा करें:
# निर्यात
python netryx_hub.py export \
--index-dir ./netryx_data/index \
-o moscow_1km.netryx \
--city moscow --radius 1 --lat 55.75 --lon 37.62
# Discord, ईमेल, Google Drive, जो भी हो, के माध्यम से फ़ाइल भेजें
# दूसरा व्यक्ति आयात करता है
python netryx_hub.py import moscow_1km.netryx -o ./netryx_data/index
Mac / Linux:
git clone https://github.com/sparkyniner/Netryx-Astra-V2-Geolocation-Tool.git
cd netryx-astra-v2
chmod +x setup.sh && ./setup.sh
source venv/bin/activate
python3 test_super.py
Windows:
git clone https://github.com/sparkyniner/netryx-astra-v2.git
cd netryx-astra-v2
फिर सब कुछ स्थापित करने के लिए setup.bat पर डबल-क्लिक करें। जब यह समाप्त हो जाए, तो लॉन्च करने के लिए run.bat पर डबल-क्लिक करें।
बस इतना ही। सेटअप स्क्रिप्ट एक वर्चुअल वातावरण बनाती है, सभी निर्भरताएं स्थापित करती है, रेपो के साथ-साथ MASt3R को क्लोन करती है, और मॉडल वेट को पूर्व-डाउनलोड करती है। किसी मैन्युअल कॉन्फ़िगरेशन की आवश्यकता नहीं है।
MASt3R वेट पहले रन पर स्वचालित रूप से Hugging Face से डाउनलोड हो जाते हैं।
आपकी फ़ोल्डर संरचना इस तरह दिखनी चाहिए:
some_folder/
├── netryx-astra-v2/ # यह रेपो
│ ├── test_super.py
│ ├── megaloc_utils.py
│ ├── mast3r_utils.py
│ ├── netryx_hub.py
│ └── ...
└── mast3r/ # अलग से क्लोन किया गया
├── mast3r/
├── dust3r/
└── ...
mast3r_utils.py रनटाइम पर स्वचालित रूप से सन्निकट mast3r/ निर्देशिका को ढूंढता और आयात करता है। किसी पथ कॉन्फ़िगरेशन की आवश्यकता नहीं है।
सब कुछ Apple Silicon पर बॉक्स से बाहर चलता है। कोड स्वचालित रूप से MPS विचित्रताओं को संभालता है — अप्रयुक्त ops के लिए CPU फॉलबैक, गैर-सन्निहित टेंसर के लिए .view() → .reshape() का मंकी-पैचिंग, और लंबी अनुक्रमण रन के दौरान MPS कैश सफाई।
यदि आपके पास M1/M2/M3/M4 Mac है, तो यह स्वचालित रूप से GPU त्वरण का उपयोग करेगा। किसी कॉन्फ़िगरेशन की आवश्यकता नहीं है।
स्थापना स्क्रिप्ट चलाने के बाद आपको अपने विशिष्ट उपकरण के लिए rocm/pytorch को मैन्युअल रूप से venv में स्थापित करना होगा।
अपने उपकरण के लिए TheRock pytorch बिल्ड का उपयोग करें: https://github.com/ROCm/TheRock/blob/main/RELEASES.md#installing-pytorch-python-packages
उदाहरण के लिए, RX7xxx श्रृंखला कार्ड के लिए स्थापित करने के लिए:
pip install --index-url https://rocm.nightlies.amd.com/v2/gfx110X-all/ torch torchaudio torchvision
नोट: सुनिश्चित करें कि उपयोगकर्ता render समूह का हिस्सा है:
sudo usermod -aG render <userid>
और आधार ड्राइवर स्थापित है: https://rocm.docs.amd.com/projects/install-on-linux/en/latest/install/quick-start.html#amd-gpu-driver-installation
netryx-astra-v2/
├── test_super.py # मुख्य एप्लिकेशन — GUI, पाइपलाइन, सब कुछ
├── megaloc_utils.py # MegaLoc मॉडल लोडिंग, डिस्क्रिप्टर निष्कर्षण, PCA
├── megaloc_model.py # स्व-निहित MegaLoc आर्किटेक्चर (torch.hub विफल होने पर फॉलबैक)
├── mast3r_utils.py # MASt3R लोडिंग और सघन मिलान
├── netryx_hub.py # सामुदायिक केंद्र — अपलोड, डाउनलोड, निर्यात, आयात
├── README.md
├── LICENSE
└── requirements.txt
# रनटाइम पर बनाया गया (git में प्रतिबद्ध नहीं):
netryx_data/
├── megaloc_parts/ # कच्चे 8448-dim डिस्क्रिप्टर चंक (अनुक्रमण के दौरान बनाए गए)
└── index/ # संक्षिप्त खोज इंडेक्स
├── megaloc_descriptors.npy # PCA-घटित डिस्क्रिप्टर
├── metadata.npz # निर्देशांक, शीर्ष, पैनोआईडी आईडी
├── megaloc_pca.pkl # क्वेरी-समय परिवर्तन के लिए PCA मॉडल
└── manifest.json # यदि सामुदायिक केंद्र से डाउनलोड किया गया हो तो मौजूद
# बाहरी निर्भरता (अलग से क्लोन, इस रेपो के अंदर नहीं):
../mast3r/ # https://github.com/naver/mast3r
आप आवश्यकता पड़ने पर test_super.py में इन मापदंडों को ट्यून कर सकते हैं। डिफ़ॉल्ट अधिकांश उपयोग मामलों के लिए अच्छी तरह काम करते हैं।
मुख्य चीज़ जिसे आप समायोजित करना चाह सकते हैं वह है INDEX_TARGET_DIM — इसे 512 तक गिराने से आपके इंडेक्स का आकार आधा हो जाता है जिसमें केवल ~2-3% सटीकता हानि होती है।
हम इस बारे में स्पष्ट होने में विश्वास करते हैं कि यह उपकरण क्या कर सकता है और क्या नहीं।
यह केवल उन स्थानों को ढूंढता है जो इंडेक्स में हैं। यदि किसी स्थान को आपके या समुदाय से डाउनलोड नहीं किया गया है, तो वह नहीं मिलेगा। कोई भी मॉडल, चाहे कितना भी उन्नत हो, उस डेटा के विरुद्ध मिलान नहीं कर सकता जो मौजूद नहीं है। सटीकता की सीमा मॉडलों द्वारा नहीं, बल्कि कवरेज द्वारा निर्धारित होती है।
दोहरावदार वास्तुकला झूठी सकारात्मकता का कारण बनती है। चेन स्टोर, उपनगरीय आवास विकास, समान अपार्टमेंट ब्लॉकों की पंक्तियाँ — ये सड़क स्तर से वास्तव में समान दिखते हैं। स्थानिक सहमति मदद करती है (पास के मिलानों का एक समूह एक अकेले पृथक आउटलायर को हरा देता है), लेकिन यह अभेद्य नहीं है, विशेष रूप से बड़े खोज त्रिज्या (10km+) पर जहां अधिक समान दिखने वाले उम्मीदवार होते हैं। यह क्षेत्र में एक अनसुलझी समस्या है, न कि केवल Netryx के लिए विशिष्ट सीमा।
कुछ क्षेत्रों में कवरेज अंतराल मौजूद हैं। ग्रामीण क्षेत्रों, विकासशील देशों, नवनिर्मित पड़ोस और इनडोर स्थानों में अनुक्रमण के लिए सीमित या कोई सड़क-स्तरीय इमेजरी उपलब्ध नहीं हो सकती है।
यह एक रीयल-टाइम सिस्टम नहीं है। उपभोक्ता GPU पर 500 उम्मीदवारों पर MASt3R चलाने में कई मिनट लगते हैं। यह फोरेंसिक विश्लेषण के लिए डिज़ाइन किया गया है — खोजी पत्रकारिता, मानवाधिकार दस्तावेज़ीकरण, OSINT अनुसंधान, बीमा धोखाधड़ी जांच — नेविगेशन या लाइव ट्रैकिंग के लिए नहीं।
अनुक्रमण के लिए सार्थक कंप्यूटिंग की आवश्यकता है। MegaLoc का DINOv2 बैकबोन V1 में उपयोग किए गए CosPlace बैकबोन से ~5x भारी है। 1km त्रिज्या को अनुक्रमित करने में ~20-30 मिनट लगते हैं। एक पूरा शहर (10km+) रात भर का काम है। यही कारण है कि सामुदायिक केंद्र मौजूद है — ताकि यह लागत एक बार चुकाई जाए और साझा की जाए। साथ ही, सबसे अधिक इनलायर्स वाला मिलान आवश्यक रूप से सही मिलान नहीं है, इसीलिए यह कई परिणाम लौटाता है जिन्हें आप स्वयं क्रॉस-चेक कर सकते हैं।
यदि आप अपने शोध या कार्य में Netryx Astra V2 का उपयोग करते हैं, तो हम एक उद्धरण की सराहना करेंगे:
@software{netryx_astra_v2,
title={Netryx Astra V2: State-of-the-Art AI Geolocation},
author={Sairaj Balaji},
year={2026},
url={https://github.com/yourusername/netryx-astra-v2}
}
MIT लाइसेंस। विवरण के लिए LICENSE देखें।
MegaLoc वेट MIT लाइसेंस प्राप्त हैं। MASt3R Apache 2.0 लाइसेंस प्राप्त है। DINOv2 Apache 2.0 लाइसेंस प्राप्त है। समुदाय-साझा इंडेक्स CC-BY-4.0 हैं।
Sairaj Balaji द्वारा निर्मित
PrismX भी बनाया गया जो Fast Company · 404 Media · Deutsche Welle में प्रदर्शित है
| V1 (मूल) | V2 (Astra) |
|---|
| उम्मीदवार ढूंढना | CosPlace (ResNet-50, 512-dim) | MegaLoc (DINOv2 ViT-B/14, 8448-dim → PCA 1024) |
| मिलान की पुष्टि | DISK + LightGlue + RANSAC | MASt3R सघन 3D मिलान |
| सीमांत मामलों को संभालना | LoFTR फॉलबैक, डिस्क्रिप्टर हॉपिंग, पड़ोस विस्तार, अल्ट्रा मोड | स्थानिक सहमति — बस इतना |
| कुल पाइपलाइन चरण | 9+ | 3 |
| आंशिक छवि मिलान | कमजोर — छोटे ओवरलैप पर विरल कुंजी बिंदु विफल होते हैं | मजबूत — MASt3R छोटे क्षेत्रों में सघन संगतताएं ढूंढता है |
| सूचकांक साझा करना | संभव नहीं | Hugging Face + ऑफलाइन .netryx बंडलों के माध्यम से सामुदायिक केंद्र |
| पैरामीटर | डिफ़ॉल्ट | यह क्या करता है |
|---|
INDEX_TARGET_DIM | 1024 | PCA आउटपुट आयाम। 512 = छोटा इंडेक्स, थोड़ा कम सटीक। 1024 = अच्छा संतुलन। |
MAX_PANOID_WORKERS | 16 | अनुक्रमण के दौरान एक साथ कितने पैनोरमा डाउनलोड करने हैं |
MAX_DOWNLOAD_WORKERS | 100 | समवर्ती टाइल डाउनलोड कनेक्शन (प्रत्येक पैनो = 8 टाइल्स) |
EARLY_EXIT_INLIER_THRESHOLD | 450 | यदि MASt3R इतने सारे सघन मिलान पाता है, तो जल्दी खोज बंद करें — यह एक विश्वसनीय हिट है |
MAST3R_STAGE2_TOP_N | 500 | MASt3R के माध्यम से चलाने के लिए कितने MegaLoc उम्मीदवार |