NETRYX

Motore di geolocalizzazione stradale open‑source

Carica una foto stradale. Ottieni coordinate GPS precise.
Precisione inferiore a 50 m. Nessun punto di riferimento necessario. Funziona interamente sul tuo hardware.

Demo · Come funziona · Per iniziare · Utilizzo · FAQ

---

QUESTA VERSIONE È VECCHIA, USA QUESTA

NEW REPO

Cos'è Netryx?

Netryx è uno strumento di geolocalizzazione locale‑first che identifica le coordinate GPS esatte di una fotografia stradale. A differenza della ricerca inversa per immagini (che confronta con immagini caricate sul web), Netryx confronta con panorami stradali acquisiti sistematicamente — quindi funziona su qualsiasi angolo di strada senza alcuna presenza su Internet.

La pipeline principale combina tre modelli di visione artificiale all'avanguardia:

• CosPlace per il riconoscimento visivo globale di luoghi (recupero)
• ALIKED/DISK per l'estrazione di caratteristiche locali (keypoint)
• LightGlue per il matching profondo delle caratteristiche (verifica)

Google Lens cerca su Internet. Netryx cerca nel mondo fisico.

---

Demo

Caso d'uso	Collegamento
Geolocalizzazione di un attacco missilistico — Qatar (febbraio 2026)	Guarda su YouTube
Monitoraggio di conflitti — proteste a Parigi	Guarda su YouTube
Geolocalizzazione cieca da una foto casuale — Parigi	Guarda su YouTube
Approfondimento tecnico: come funziona la pipeline	Guarda su YouTube

---

Come funziona

Netryx utilizza una pipeline a tre stadi che restringe progressivamente da milioni di candidati a una singola corrispondenza precisa. Netryx è semplicemente uno strumento, è agnostico rispetto alla fonte e può elaborare immagini da qualsiasi fornitore come Mapillary o KartaView o qualsiasi altro.

Stadio 1 — Recupero globale (CosPlace)

Ogni panorama stradale nell'indice è stato pre‑elaborato in una "impronta digitale" a 512 dimensioni usando CosPlace, un modello di riconoscimento visivo di luoghi addestrato su milioni di immagini geotaggate.

Quando carichi una foto di query:

1. Il sistema estrae un descrittore CosPlace dalla tua immagine
2. Estrae anche un descrittore da una versione capovolta orizzontalmente (cattura prospettive invertite)
3. Entrambi i descrittori vengono confrontati con ogni voce dell'indice usando la similarità coseno
4. Un filtro di raggio (distanza haversiana) restringe i candidati all'area di ricerca specificata
5. Le prime 500–1000 viste panoramiche visivamente più simili vengono restituite come candidati

Questo stadio viene eseguito in meno di 1 secondo indipendentemente dalla dimensione dell'indice — è una singola moltiplicazione di matrici.

Stadio 2 — Verifica geometrica locale (ALIKED/DISK + LightGlue)

CosPlace trova luoghi che sembrano simili. Lo Stadio 2 dimostra che sono lo stesso posto usando la verifica geometrica.

Per ogni candidato:

1. Il panorama originale viene scaricato da Google Street View (8 tile, ricomposti)
2. Viene estratta una porzione rettilinea all'angolo di orientamento indicizzato
3. Vengono generate ritagli multi-FOV a tre campi visivi (70°, 90°, 110°) per gestire le differenze di zoom tra la foto di query e la vista indicizzata
4. ALIKED (su CUDA) o DISK (su MPS/CPU) estrae keypoint e descrittori locali
5. LightGlue esegue il matching profondo delle caratteristiche tra i keypoint della query e del candidato
6. RANSAC filtra le corrispondenze mantenendo solo quelle geometricamente consistenti (rifiuta i falsi positivi)
7. Il candidato con il maggior numero di inlier verificati è la corrispondenza migliore

Questo stadio elabora 300–500 candidati in 2–5 minuti a seconda dell'hardware.

Stadio 3 — Raffinamento

La corrispondenza iniziale è buona ma non sempre ottimale. Il raffinamento la migliora:

• Raffinamento dell'orientamento: per i primi 15 candidati, il sistema testa offset di orientamento di ±45° con passi di 15° su 3 FOV. Questo cattura i casi in cui l'orientamento indicizzato non corrisponde esattamente alla direzione di visione della query.
• Consenso spaziale: le corrispondenze vengono raggruppate in celle da 50 m. Se più candidati si raggruppano in una zona, quel cluster viene preferito a un singolo outlier con molti inlier — riducendo i falsi positivi.
• Punteggio di confidenza: il sistema valuta il raggruppamento geografico delle migliori corrispondenze e il rapporto di unicità (quanto è migliore la corrispondenza migliore rispetto alla seconda in una posizione diversa).

Modalità Ultra (opzionale)

Per immagini difficili (notte, sfocate, a bassa texture), la Modalità Ultra aggiunge:

• LoFTR: un matcher denso senza rilevatore che trova corrispondenze senza fare affidamento sulla rilevazione di keypoint. Gestisce scene sfocate e a basso contrasto dove ALIKED/DISK faticano.
• Salto del descrittore: se la corrispondenza iniziale è debole (<50 inlier), il sistema estrae un descrittore CosPlace dal panorama corrispondente (che è pulito/di alta qualità) e ricerca di nuovo nell'indice. Spesso trova il panorama esatto che la query degradata non aveva trovato.
• Espansione di vicinato: cerca tutti i panorami entro 100 m dalla miglior corrispondenza. La posizione corretta è spesso a un nodo stradale di distanza dalla miglior corrispondenza di CosPlace.

---

Architettura

Immagine di query
    │
    ├── Estrazione descrittore CosPlace (impronta 512‑dim)
    ├── Estrazione descrittore capovolto
    │
    ▼
Ricerca nell'indice (similarità coseno, filtro per raggio)
    │
    ├── Primi 500 candidati ordinati per similarità visiva
    │
    ▼
Scarica panorami → Ritaglia a 3 FOV → Estrai keypoint ALIKED/DISK
    │
    ├── Matching LightGlue con keypoint della query
    ├── Verifica geometrica RANSAC
    │
    ▼
Raffinamento orientamento (±45°, 3 FOV, primi 15 candidati)
    │
    ├── Raggruppamento consenso spaziale
    ├── Punteggio di confidenza
    │
    ▼
📍 Coordinate GPS + Punteggio di confidenza

---

Per iniziare

Requisiti

Componente	Minimo	Consigliato
Sistema operativo	macOS / Linux / Windows	macOS (M1+) o Linux con GPU NVIDIA
VRAM GPU	4 GB	8 GB+
RAM	8 GB	16 GB+
Archiviazione	10 GB	50 GB+ (dipende dalla dimensione dell'area indicizzata)
Internet	Richiesto per indicizzazione e ricerca	Banda larga consigliata
Python	3.9+	3.10+

Supporto GPU:

• Mac: MPS (Metal Performance Shaders) — M1/M2/M3/M4
• NVIDIA: CUDA — qualsiasi GPU con 4 GB+ di VRAM
• CPU: funziona ma notevolmente più lento

Installazione

# Clona il repository
git clone https://github.com/sparkyniner/Netryx-OpenSource-Next-Gen-Street-Level-Geolocation.git

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

# Crea ambiente virtuale
python3 -m venv venv
source venv/bin/activate  # Su Windows: venv\Scripts\activate

# Installa le dipendenze
pip install -r requirements.txt

# Installa esplicitamente LightGlue (richiesto per il matching)
pip install git+https://github.com/cvg/LightGlue.git

# Opzionale: installa kornia per la Modalità Ultra (LoFTR)
pip install kornia