Label Studio MCP-Server

Was macht der “Label Studio” MCP-Server?

Der Label Studio MCP-Server ist ein Model Context Protocol (MCP)-Server, der eine nahtlose Integration von KI-Assistenten mit einer Label Studio -Instanz ermöglicht. Mithilfe des label-studio-sdk erlaubt er die programmatische Verwaltung von Labeling-Projekten, Aufgaben und Vorhersagen – entweder über natürliche Sprache oder strukturierte Aufrufe von MCP-Clients. Dieser Server befähigt Entwickler und KI-Agenten, effizient Projekte zu erstellen und zu verwalten, Aufgaben zu importieren und abzufragen sowie Vorhersagen zu automatisieren – alles über standardisierte MCP-Tools. Durch die Bereitstellung der Kernfunktionen von Label Studio optimiert er Labeling-Workflows und steigert die Produktivität bei Datenannotation, Qualitätskontrolle und Machine-Learning-Anwendungen.

Liste der Prompts

Im Repository werden keine Prompt-Templates erwähnt.

Bereit, Ihr Geschäft zu erweitern?

Starten Sie heute Ihre kostenlose Testversion und sehen Sie innerhalb weniger Tage Ergebnisse.

Demo anfragen Anmelden

Liste der Ressourcen

In der Repository-Dokumentation sind keine expliziten MCP-Ressourcen aufgeführt.

Liste der Tools

• get_label_studio_projects_tool()
  Listet verfügbare Projekte und gibt ID, Titel und Aufgabenanzahl für jedes Projekt zurück.
• get_label_studio_project_details_tool(project_id: int)
  Ruft Detailinformationen zu einem angegebenen Projekt ab.
• get_label_studio_project_config_tool(project_id: int)
  Holt die XML-Label-Konfiguration für ein bestimmtes Projekt.
• create_label_studio_project_tool(title: str, label_config: str, …)
  Erstellt ein neues Projekt mit Titel, XML-Konfiguration und optionalen Einstellungen; gibt Projektdetails und URL zurück.
• update_label_studio_project_config_tool(project_id: int, new_label_config: str)
  Aktualisiert die XML-Label-Konfiguration eines bestehenden Projekts.
• list_label_studio_project_tasks_tool(project_id: int)
  Listet bis zu 100 Aufgaben-IDs in einem Projekt auf.
• get_label_studio_task_data_tool(project_id: int, task_id: int)
  Ruft die Daten-Payload für eine bestimmte Aufgabe ab.
• get_label_studio_task_annotations_tool(project_id: int, task_id: int)
  Holt bestehende Annotationen für eine bestimmte Aufgabe.
• import_label_studio_project_tasks_tool(project_id: int, tasks_file_path: str)
  Importiert Aufgaben aus einer JSON-Datei in ein Projekt; gibt eine Importzusammenfassung und die Projekt-URL zurück.
• create_label_studio_prediction_tool(task_id: int, result: List[Dict[str, Any]], …)
  Erstellt eine Vorhersage für eine bestimmte Aufgabe, mit Optionen für Modellversion und Score.

Abonnieren Sie unseren Newsletter

Erhalten Sie die neuesten Tipps, Trends und Angebote kostenlos.

E-Mail-Adresse

Abonnieren

Anwendungsfälle dieses MCP-Servers

• Automatisiertes Projektmanagement
  Erstellen, aktualisieren und konfigurieren Sie Labeling-Projekte programmatisch – für einen reibungslosen Ablauf und die Wartung großer Annotation-Operationen.
• Massenimport und Verwaltung von Aufgaben
  Importieren Sie Aufgaben aus Dateien und verwalten Sie diese gesammelt, um Daten effizient in Label Studio einzuspeisen und Aufgaben- oder Annotationsdaten einfach abzurufen.
• Vorhersage-Integration
  Fügen Sie Modellvorhersagen direkt zu Aufgaben hinzu – für ML-unterstützte Annotation und Human-in-the-Loop-Modellevaluation.
• Qualitätssicherung und Metriken
  Abfrage von Projektdetails und Aufgabenanzahlen zur Überwachung von Fortschritt und Qualität über mehrere Labeling-Projekte hinweg.
• Angepasste Annotation-Templates
  Automatisieren Sie Updates von Annotation-Templates (Label-Konfigurationen) bei sich verändernden Projektanforderungen – für Konsistenz und Flexibilität.

Einrichtung

Windsurf

1. Stellen Sie sicher, dass eine Label Studio-Instanz läuft, und holen Sie sich Ihren API-Schlüssel.
2. Öffnen Sie die Windsurf MCP-Server-Konfigurationsdatei.
3. Fügen Sie die Label Studio MCP-Server-Definition mit folgendem JSON-Snippet hinzu:

   {
       "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. Änderungen speichern und Windsurf neu starten.
5. Überprüfen Sie die Verbindung zu Ihrer Label Studio-Instanz.

Claude

1. Stellen Sie sicher, dass Label Studio läuft und Sie Ihren API-Schlüssel haben.
2. Suchen Sie Ihre claude_desktop_config.json-Datei.
3. Fügen Sie die Label Studio MCP-Server-Konfiguration hinzu:

   {
       "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. Speichern und starten Sie den Claude-Client neu.
5. Bestätigen Sie die erfolgreiche Einrichtung in der Client-Oberfläche.

Cursor

1. Starten Sie mit einem laufenden Label Studio und holen Sie sich Ihren API-Schlüssel.
2. Öffnen Sie die Cursor MCP-Einstellungen.
3. Fügen Sie dieses MCP-Server-Konfigurations-JSON hinzu:

   {
       "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. Speichern und starten Sie Cursor neu.
5. Überprüfen Sie, ob der MCP-Server in Cursor erreichbar ist.

Cline

1. Stellen Sie sicher, dass Label Studio läuft, und notieren Sie sich Ihren API-Schlüssel.
2. Bearbeiten Sie die Cline MCP-Server-Konfigurationsdatei.
3. Fügen Sie den Servereintrag wie folgt ein:

   {
       "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. Speichern Sie Ihre Änderungen und starten Sie Cline neu.
5. Testen Sie die Verbindung zu Label Studio über Cline.

Hinweis:
Speichern Sie Ihren API-Schlüssel sicher mit Umgebungsvariablen wie im Abschnitt env oben gezeigt. So bleibt sensible Information aus Quellcode und Konfigurationsdateien heraus.

Verwendung dieses MCP in Flows

Einsatz von MCP in FlowHunt

Um MCP-Server in Ihren FlowHunt-Workflow zu integrieren, fügen Sie zunächst die MCP-Komponente zu Ihrem Flow hinzu und verbinden Sie sie mit Ihrem KI-Agenten:

Klicken Sie auf die MCP-Komponente, um das Konfigurationspanel zu öffnen. Im Abschnitt System-MCP-Konfiguration fügen Sie Ihre MCP-Server-Daten im folgenden JSON-Format ein:

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

Nach der Konfiguration kann der KI-Agent diesen MCP als Tool mit Zugriff auf alle Funktionen und Möglichkeiten nutzen. Denken Sie daran, "label-studio" entsprechend dem tatsächlichen Namen Ihres MCP-Servers und die URL mit Ihrer eigenen MCP-Server-URL zu ersetzen.

Übersicht

Zwischen den beiden Tabellen:
Dieser MCP-Server bietet eine starke Tool-Abdeckung für das Label Studio-Management und eine klare Setup-Dokumentation, allerdings fehlen Prompt-Templates und explizite Ressourcendefinitionen. Sampling und Roots-Unterstützung werden nicht erwähnt. Insgesamt eine solide, aber grundlegende Implementierung für dedizierte Datenlabeling-Workflows.

MCP-Score