NETRYX

Motor de Geolocalização de Nível de Rua Open-Source

Carregue qualquer foto de rua. Obtenha coordenadas GPS precisas.
Precisão abaixo de 50m. Sem necessidade de pontos de referência. Funciona inteiramente no seu hardware.

Demonstrações · Como Funciona · Primeiros Passos · Uso · FAQ

---

ESTA VERSÃO É ANTIGA, USE ESTA EM VEZ

NOVO REPOSITÓRIO

O que é o Netryx?

O Netryx é uma ferramenta de geolocalização local-first que identifica as coordenadas GPS exatas de qualquer fotografia de nível de rua. Ao contrário da pesquisa reversa de imagens (que corresponde a imagens da web carregadas), o Netryx corresponde a panoramas de street view sistematicamente rastreados — ou seja, funciona em qualquer esquina aleatória sem presença na internet.

O pipeline central combina três modelos de visão computacional de última geração:

• CosPlace para reconhecimento global de lugares visuais (recuperação)
• ALIKED/DISK para extração de características locais (pontos-chave)
• LightGlue para correspondência profunda de características (verificação)

O Google Lens pesquisa a internet. O Netryx pesquisa o mundo físico.

---

Demonstrações

Caso de Uso	Link
Geolocalização de ataque com míssil — Catar (Fev 2026)	Assista no YouTube
Monitoramento de conflitos — Protestos em Paris	Assista no YouTube
Geolocalização cega a partir de uma foto aleatória — Paris	Assista no YouTube
Análise técnica aprofundada: como o pipeline funciona	Assista no YouTube

---

Como Funciona

O Netryx usa um pipeline de três estágios que progressivamente reduz de milhões de candidatos a uma única correspondência precisa. O Netryx é simplesmente uma ferramenta, é agnóstico quanto à fonte e pode processar imagens de qualquer provedor, como Mapillary ou KartaView ou qualquer outro.

Estágio 1 — Recuperação Global (CosPlace)

Cada panorama de street view no índice foi pré-processado em uma "impressão digital" de 512 dimensões usando CosPlace, um modelo de reconhecimento de lugares visuais treinado em milhões de imagens geo-referenciadas.

Quando você carrega uma foto de consulta:

1. O sistema extrai um descritor CosPlace da sua imagem
2. Também extrai um descritor de uma versão espelhada horizontalmente (captura perspectivas invertidas)
3. Ambos os descritores são comparados com cada entrada no índice usando similaridade de cosseno
4. Um filtro de raio (distância haversiana) reduz os candidatos à sua área de pesquisa especificada
5. As 500–1000 vistas panorâmicas mais visualmente semelhantes são retornadas como candidatos

Este estágio é executado em menos de 1 segundo independentemente do tamanho do índice — é uma única multiplicação de matrizes.

Estágio 2 — Verificação Geométrica Local (ALIKED/DISK + LightGlue)

O CosPlace encontra lugares que parecem semelhantes. O Estágio 2 prova que são o mesmo lugar usando verificação geométrica.

Para cada candidato:

1. O panorama original é baixado do Google Street View (8 tiles, unidos)
2. Um recorte retilíneo é extraído no ângulo de orientação indexado
3. Recortes multi-FOV são gerados em três campos de visão (70°, 90°, 110°) para lidar com diferenças de zoom entre a foto de consulta e a vista indexada
4. ALIKED (no CUDA) ou DISK (no MPS/CPU) extrai pontos-chave e descritores locais
5. LightGlue realiza correspondência profunda de características entre os pontos-chave da consulta e do candidato
6. RANSAC filtra as correspondências para manter apenas correspondências geometricamente consistentes (rejeita falsas correspondências)
7. O candidato com mais inliers verificados é a melhor correspondência

Este estágio processa 300–500 candidatos em 2–5 minutos dependendo do seu hardware.

Estágio 3 — Refinamento

A correspondência inicial é boa, mas nem sempre ideal. O refinamento a melhora:

• Refinamento de orientação: Para os 15 principais candidatos, o sistema testa deslocamentos de orientação de ±45° em passos de 15° em 3 FOVs. Isso captura casos onde a orientação indexada não corresponde exatamente à direção de visualização da consulta.
• Consenso espacial: As correspondências são agrupadas em células de 50m. Se vários candidatos se agrupam em uma área, esse grupo é preferido em vez de um único outlier com muitos inliers — reduzindo falsos positivos.
• Pontuação de confiança: O sistema avalia o agrupamento geográfico das principais correspondências e a taxa de exclusividade (quanto melhor a melhor correspondência é em relação à segunda colocada em um local diferente).

Modo Ultra (Opcional)

Para imagens difíceis (noturnas, borradas, baixa textura), o Modo Ultra adiciona:

• LoFTR: Um correspondente denso sem detector que encontra correspondências sem depender da detecção de pontos-chave. Lida com cenas borradas e de baixo contraste onde ALIKED/DISK têm dificuldade.
• Salto de descritor: Se a correspondência inicial for fraca (<50 inliers), o sistema extrai um descritor CosPlace do panorama correspondido (que é limpo/de alta qualidade) e repesquisa o índice. Isso geralmente encontra o panorama exato e correto que a consulta degradada perdeu.
• Expansão de vizinhança: Pesquisa todos os panoramas num raio de 100m da melhor correspondência. O local correto geralmente está a um nó de rua de distância da melhor correspondência do CosPlace.

---

Arquitetura

Imagem de Consulta
    │
    ├── Extração de descritor CosPlace (impressão digital de 512 dimensões)
    ├── Extração de descritor espelhado
    │
    ▼
Pesquisa no Índice (similaridade de cosseno, filtrado por raio)
    │
    ├── Top 500 candidatos classificados por similaridade visual
    │
    ▼
Baixar Panoramas → Recortar em 3 FOVs → Extrair pontos-chave ALIKED/DISK
    │
    ├── Correspondência LightGlue contra pontos-chave da consulta
    ├── Verificação geométrica RANSAC
    │
    ▼
Refinamento de Orientação (±45°, 3 FOVs, top 15 candidatos)
    │
    ├── Agrupamento de consenso espacial
    ├── Pontuação de confiança
    │
    ▼
📍 Coordenadas GPS + Pontuação de Confiança

---

Primeiros Passos

Requisitos

Componente	Mínimo	Recomendado
SO	macOS / Linux / Windows	macOS (M1+) ou Linux com GPU NVIDIA
VRAM da GPU	4GB	8GB+
RAM	8GB	16GB+
Armazenamento	10GB	50GB+ (depende do tamanho da área indexada)
Internet	Necessário para indexação e pesquisa	Banda larga recomendada
Python	3.9+	3.10+

Suporte a GPU:

• Mac: MPS (Metal Performance Shaders) — M1/M2/M3/M4
• NVIDIA: CUDA — qualquer GPU com 4GB+ de VRAM
• CPU: Funciona, mas significativamente mais lento

Instalação

# Clone o repositório
git clone https://github.com/sparkyniner/Netryx-OpenSource-Next-Gen-Street-Level-Geolocation.git

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

# Crie o ambiente virtual
python3 -m venv venv
source venv/bin/activate  # No Windows: venv\Scripts\activate

# Instale as dependências
pip install -r requirements.txt

# Instale o LightGlue explicitamente (necessário para correspondência)
pip install git+https://github.com/cvg/LightGlue.git

# Opcional: Instale o kornia para o Modo Ultra (LoFTR)
pip install kornia