一个计算机科学专业的大三学生，用混合策略而非纯AI路线，做出了一个准确率74.8%的GeoGuessr辅助工具。核心思路很朴素：既然人类玩家靠路牌和文字找线索，那机器也该这么干。

这个项目的pipeline分五步走。第一步是路牌规范检测，用微调过的YOLOv8m模型识别三类路牌：MUTCD（北美标准）、VIENNA（国际标准）、以及模棱两可的。第二步文字提取，目前用EasyOCR，但作者还在考虑微调以自动识别亚洲语言——现在得手动切换语言参数，比如检测到斯拉夫文字就要切到俄语模式。

打开网易新闻 查看精彩图片

第三步国家筛选是整套系统的决策中枢，又细分为三小步。先按GeoGuessr统计数据初始化各国概率分布；然后做国家排除，这里需要算一个bias值：（VIENNA总置信度 - MUTCD总置信度）/（两者之和）。bias大于0倾向VIENNA，小于0倾向MUTCD，等于0保持混合。为了保险，还设置了动态阈值：bias置信度大于0.7时阈值0.2，大于0.4时0.3，否则0.5。最后根据bias和阈值的关系决定走哪条路线。

打开网易新闻 查看精彩图片

第四步用Nominatim准备节点，把提取的文字转成实体类型和兴趣点；第五步OverPass API输出最终坐标，按500公里聚类以减少误差——如果对OCR结果不太信任，这个距离还可以调大。

打开网易新闻 查看精彩图片

作者坦承README写得比这篇分享更详细，也列出了后续方向：微调权重来识别植被、建筑风格、车辆型号等更多线索。项目已开源在GitHub。