Netryx 是一个本地托管、开源的街景级地理定位引擎，能够从任意街景照片中识别出精确的 GPS 坐标。它的工作方式是：先爬取 Street View 全景图并将其索引为 CosPlace 嵌入向量，然后通过三阶段计算机视觉流水线（全局检索 → 局部特征匹配 → 精化）将查询图像匹配到某个具体位置。据资料介绍，其精度可达 50 米以内，搜索时无需联网，且完全在本地硬件上运行。
用途
该技能面向需要从街景照片进行精确定位的任务，例如根据一张街道照片推断拍摄地点的经纬度。它通过本地部署方式运行，搜索阶段不依赖互联网连接。
主要能力
- 全局检索（第一阶段）：将查询图像（含翻转副本）转换为 512 维 CosPlace 描述符，与索引做余弦相似度比对，并通过 Haversine 半径过滤，返回前 500–1000 个候选。
- 几何验证（第二阶段）：对每个候选下载街景全景图（8 个瓦片拼接），按索引朝向做直线裁剪并进行多视场角（70°、90°、110°）裁剪，使用 ALIKED（CUDA）或 DISK（MPS/CPU）提取关键点，再用 LightGlue 与查询关键点做深度特征匹配，并通过 RANSAC 几何验证统计内点数量。资料称处理 300–500 个候选约需 2–5 分钟。
- 精化（第三阶段）：对前 15 个候选进行朝向精化（±45°，步长 15°，3 个视场角），按 50 米单元做空间共识聚类，并给出置信度评分（聚类强度 + 唯一性比率），输出最终 GPS 坐标。
- Ultra 模式：针对模糊、夜间、低纹理等困难图像，增加 LoFTR 稠密匹配、描述符跳跃（用匹配到的全景图描述符重新检索索引）以及 100 米邻域扩展。更慢但更稳健。
- 独立索引构建器：build_index.py 用于大规模数据集的索引构建。
- 图形界面：提供 Create（索引区域）与 Search（定位查询图像）两种模式。
使用方式
安装步骤（保留原始命令）：
git clone https://github.com/sparkyniner/Netryx-OpenSource-Next-Gen-Street-Level-Geolocation.git cd Netryx-OpenSource-Next-Gen-Street-Level-Geolocation python3 -m venv venv source venv/bin/activate # Windows: venv\Scripts\activate pip install -r requirements.txt pip install git+https://github.com/cvg/LightGlue.git # required pip install kornia # optional: Ultra Mode (LoFTR)
可选的 Gemini AI Coarse 模式需要设置 API key： export GEMINI_API_KEY="your_key_here"
macOS 图形界面空白时可执行： brew install python-tk@3.11
启动图形界面： python test_super.py
典型工作流：先在 Create 模式输入中心经纬度与半径（测试可从 0.5–1 公里开始，网格分辨率默认 300 且不建议更改）创建索引，索引可中断续跑；然后在 Search 模式上传街景照片，选择 Manual（手动提供大致中心与半径）或 AI Coarse（Gemini 分析视觉线索估计区域，需 API key），点击 Run Search → Start Full Search，最终在地图上显示 GPS 坐标与置信度分数。大型数据集可使用 python build_index.py。
硬件要求：GPU 显存最低 4 GB（推荐 8 GB+），内存最低 8 GB（推荐 16 GB+），存储最低 10 GB（推荐 50 GB+），Python 3.9+（推荐 3.10+）。GPU 后端方面：CUDA（NVIDIA）使用 ALIKED；MPS（Apple Silicon）使用 DISK；CPU 使用 DISK（较慢）。
资料还提供了在代码中直接调用各组件的方式：通过 cosplace_utils 加载模型并提取描述符；以 NumPy 加载 index/cosplace_descriptors.npy 与 index/metadata.npz 进行半径过滤的余弦检索；使用 LightGlue 做特征匹配并用 OpenCV 做 RANSAC 几何验证；使用 kornia 的 LoFTR 做稠密匹配；以及通过 Google Street View Static API 下载并拼接全景图裁剪。
适用场景
- 根据街景照片定位拍摄地点的经纬度；
- 在本地硬件上离线执行地理定位检索；
- 对特定区域预先建立索引后进行查询；
- 针对夜间、模糊、低纹理等困难图像使用 Ultra 模式提升稳健性。
限制与注意事项
- 需要先对目标区域建立索引才能搜索；索引耗时随半径显著增长（资料给出 0.5 公里约 30 分钟、1 公里 1–2 小时、5 公里 8–12 小时、10 公里 24–48 小时，基于 M2 Max）。
- AI Coarse 模式依赖 Gemini API key；资料建议优先使用手动模式（显式经纬度 + 半径）。
- LightGlue 不在 PyPI 上，必须从 GitHub 安装；Ultra 模式需要 kornia。
- CUDA 显存不足时可降低 ALIKED 的 max_num_keypoints、分批处理候选或回退到 CPU/MPS。
- 查询图像需具备足够纹理（避免纯天空/空白墙面裁剪）。
- 索引搜索返回 0 结果时需确认中心点位于已索引区域内、增大半径并确认索引文件存在。
关于收费、价格与订阅信息，以及除上述内容外的其他细节，资料暂未提供。