Label Studio MCP Server

Hvad laver “Label Studio” MCP Server?

Label Studio MCP Server er en Model Context Protocol (MCP) server, der muliggør problemfri integration af AI-assistenter med en Label Studio instans. Ved at udnytte label-studio-sdk, tillader den programmæssig styring af mærkningsprojekter, opgaver og forudsigelser via naturligt sprog eller strukturerede kald fra MCP-klienter. Denne server giver udviklere og AI-agenter mulighed for effektivt at oprette og styre projekter, importere og forespørge opgaver samt automatisere forudsigelser – alt sammen via standardiserede MCP-værktøjer. Ved at eksponere Label Studios kernefunktionalitet strømliner den mærkningsworkflows og øger produktiviteten for dataannotering, kvalitetsgennemgang og maskinlæringsoperationer.

Liste over Prompts

Ingen prompt-skabeloner nævnes i repositoryet.

Liste over Ressourcer

Ingen eksplicitte MCP-ressourcer er anført i repository-dokumentationen.

Liste over Værktøjer

• get_label_studio_projects_tool()
  Viser tilgængelige projekter og returnerer ID, titel og opgaveantal for hvert projekt.
• get_label_studio_project_details_tool(project_id: int)
  Henter detaljerede oplysninger for et angivet projekt.
• get_label_studio_project_config_tool(project_id: int)
  Henter XML-mærkningskonfigurationen for et givent projekt.
• create_label_studio_project_tool(title: str, label_config: str, …)
  Opretter et nyt projekt med titel, XML-konfiguration og valgfrie indstillinger; returnerer projektdetaljer og URL.
• update_label_studio_project_config_tool(project_id: int, new_label_config: str)
  Opdaterer XML-mærkningskonfigurationen for et eksisterende projekt.
• list_label_studio_project_tasks_tool(project_id: int)
  Viser op til 100 opgave-ID’er i et projekt.
• get_label_studio_task_data_tool(project_id: int, task_id: int)
  Henter datapayloaden for en specifik opgave.
• get_label_studio_task_annotations_tool(project_id: int, task_id: int)
  Henter eksisterende annoteringer for en specifik opgave.
• import_label_studio_project_tasks_tool(project_id: int, tasks_file_path: str)
  Importerer opgaver fra en JSON-fil til et projekt; returnerer importoversigt og projekt-URL.
• create_label_studio_prediction_tool(task_id: int, result: List[Dict[str, Any]], …)
  Opretter en forudsigelse for en bestemt opgave med mulighed for modelversion og score.

Anvendelsestilfælde for denne MCP Server

• Automatiseret Projektstyring
  Opret, opdater og konfigurer mærkningsprojekter programmæssigt, så opsætning og vedligeholdelse for store annoteringsoperationer strømlines.
• Masseimport og Styring af Opgaver
  Importer opgaver fra filer og håndter dem samlet, hvilket muliggør effektiv dataindlæsning i Label Studio og nem hentning af opgave- eller annoteringsdata.
• Forudsigelsesintegration
  Tilføj modelforudsigelser direkte til opgaver og understøt ML-assisterede annoteringsworkflows og evalueringer med mennesket i loopet.
• Kvalitetssikring og Metrik
  Forespørg projektdetaljer og opgaveantal for at overvåge fremdrift og kvalitet på tværs af flere mærkningsprojekter.
• Tilpassede Annoteringsskabeloner
  Automatiser opdateringer af annoteringsskabeloner (label configs) for at imødekomme projektkrav, og sikre konsistens og fleksibilitet.

Sådan sætter du det op

Windsurf

1. Sørg for, at du har en kørende Label Studio-instans og få din API-nøgle.
2. Åbn Windsurf MCP server konfigurationsfilen.
3. Tilføj Label Studio MCP server-definitionen ved at bruge følgende JSON-udsnit:

   {
       "mcpServers": {
           "label-studio": {
               "command": "uvx",
               "args": [
                   "--from",
                   "git+https://github.com/HumanSignal/label-studio-mcp-server",
                   "mcp-label-studio"
               ],
               "env": {
                   "LABEL_STUDIO_API_KEY": "your_actual_api_key_here",
                   "LABEL_STUDIO_URL": "http://localhost:8080"
               }
           }
       }
   }
   

4. Gem ændringer og genstart Windsurf.
5. Bekræft forbindelsen til din Label Studio-instans.

Claude

1. Sørg for, at Label Studio kører, og at du har din API-nøgle.
2. Find din claude_desktop_config.json-fil.
3. Tilføj Label Studio MCP server-konfigurationen:

   {
       "mcpServers": {
           "label-studio": {
               "command": "uvx",
               "args": [
                   "--from",
                   "git+https://github.com/HumanSignal/label-studio-mcp-server",
                   "mcp-label-studio"
               ],
               "env": {
                   "LABEL_STUDIO_API_KEY": "your_actual_api_key_here",
                   "LABEL_STUDIO_URL": "http://localhost:8080"
               }
           }
       }
   }
   

4. Gem og genstart Claude-klienten.
5. Bekræft, at opsætningen er gennemført i klientens interface.

Cursor

1. Start med en kørende Label Studio og få din API-nøgle.
2. Åbn Cursor MCP-indstillingerne.
3. Tilføj denne MCP server-konfigurations-JSON:

   {
       "mcpServers": {
           "label-studio": {
               "command": "uvx",
               "args": [
                   "--from",
                   "git+https://github.com/HumanSignal/label-studio-mcp-server",
                   "mcp-label-studio"
               ],
               "env": {
                   "LABEL_STUDIO_API_KEY": "your_actual_api_key_here",
                   "LABEL_STUDIO_URL": "http://localhost:8080"
               }
           }
       }
   }
   

4. Gem og genstart Cursor.
5. Tjek, at MCP-serveren er tilgængelig fra Cursor.

Cline

1. Sørg for, at Label Studio kører, og noter din API-nøgle.
2. Rediger Cline MCP server konfigurationsfilen.
3. Indsæt server-indgangen som nedenfor:

   {
       "mcpServers": {
           "label-studio": {
               "command": "uvx",
               "args": [
                   "--from",
                   "git+https://github.com/HumanSignal/label-studio-mcp-server",
                   "mcp-label-studio"
               ],
               "env": {
                   "LABEL_STUDIO_API_KEY": "your_actual_api_key_here",
                   "LABEL_STUDIO_URL": "http://localhost:8080"
               }
           }
       }
   }
   

4. Gem dine ændringer og genstart Cline.
5. Test forbindelsen til Label Studio via Cline.

Bemærk:
Opbevar din API-nøgle sikkert ved at bruge miljøvariabler som vist i ovenstående env-sektion. Dette holder følsomme oplysninger ude af kildekode og konfigurationsfiler.

Sådan bruges denne MCP i flows

Brug af MCP i FlowHunt

For at integrere MCP-servere i dit FlowHunt-workflow, skal du starte med at tilføje MCP-komponenten til dit flow og forbinde den til din AI-agent:

Klik på MCP-komponenten for at åbne konfigurationspanelet. I systemets MCP-konfigurationssektion indsættes dine MCP-serveroplysninger ved hjælp af dette JSON-format:

{
  "label-studio": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Når det er konfigureret, kan AI-agenten nu bruge denne MCP som et værktøj med adgang til alle dens funktioner og muligheder. Husk at ændre "label-studio" til det faktiske navn på din MCP-server og erstatte URL’en med din egen MCP-server-URL.

Oversigt

Mellem de to tabeller:
Denne MCP-server giver stærk værktøjsdækning for Label Studio-administration og tydelig opsætningsdokumentation, men mangler prompt-skabeloner og eksplicitte ressource-definitioner. Sampling og roots-support er ikke nævnt. Alt i alt er det en solid men basal implementering til dedikerede dataannoteringsworkflows.

MCP Score