mcp-vision MCP-Server

Was macht der “mcp-vision” MCP-Server?

Der “mcp-vision” MCP-Server ist ein Model Context Protocol (MCP) Server, der HuggingFace-Modelle für Computer Vision – wie Zero-Shot-Objekterkennung – als Werkzeuge bereitstellt und damit die visuellen Fähigkeiten von großen Sprachmodellen oder Vision-Language-Modellen erweitert. Durch die Anbindung von KI-Assistenten an leistungsstarke Computer-Vision-Modelle ermöglicht mcp-vision Aufgaben wie Objekterkennung und Bildanalyse direkt in Entwicklungs-Workflows. Damit können LLMs und andere KI-Clients Bilder programmatisch abfragen, verarbeiten und analysieren – dies vereinfacht die Automatisierung, Standardisierung und Erweiterung von visuell basierten Interaktionen in Anwendungen. Der Server ist sowohl für GPU- als auch CPU-Umgebungen geeignet und für die einfache Integration in gängige KI-Plattformen konzipiert.

Liste der Prompts

In der Dokumentation oder den Repository-Dateien sind keine spezifischen Prompt-Vorlagen 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

Im Repository sind keine expliziten MCP-Ressourcen dokumentiert oder gelistet.

Liste der Tools

• locate_objects
  Erkennen und Lokalisieren von Objekten in einem Bild mit einer der Zero-Shot-Objekterkennungspipelines von HuggingFace. Zu den Eingaben gehören der Bildpfad, eine Liste von Kandidatenlabels und optional ein Modellname. Gibt eine Liste erkannter Objekte im Standardformat zurück.

• zoom_to_object
  Auf ein bestimmtes Objekt in einem Bild zoomen, indem das Bild auf die Begrenzungsbox des Objekts mit dem besten Erkennungsergebnis zugeschnitten wird. Eingaben sind Bildpfad, ein zu findendes Label und optional ein Modellname. Gibt ein zugeschnittenes Bild oder None zurück.

Abonnieren Sie unseren Newsletter

Erhalten Sie die neuesten Tipps, Trends und Angebote kostenlos.

E-Mail-Adresse

Abonnieren

Anwendungsfälle dieses MCP-Servers

• Automatisierte Objekterkennung in Bildern
  Entwickler können mcp-vision nutzen, um Objekte in Bildern programmatisch zu erkennen und zu lokalisieren – z.B. für Bild-Tagging, Inhaltsmoderation oder visuelle Suche.
• Workflow-Automatisierung auf Basis von Vision
  Integrieren Sie die Objekterkennung in größere Workflows, z.B. um Bilder nach Inhalt zu sortieren, Berichte anhand erkannter Objekte automatisch zu generieren oder Accessibility-Tools zu verbessern.
• Interaktive Bildexploration
  KI-Assistenten unterstützen Nutzer dabei, auf bestimmte Objekte in Bildern zu zoomen – hilfreich z.B. bei Qualitätskontrolle, medizinischer Bildanalyse oder Produktidentifikation.
• KI-Agenten um visuelle Fähigkeiten erweitern
  LLMs können visuelle Daten analysieren und darauf reagieren, was umfangreichere multimodale Interaktionen und kontextbezogene Antworten in Anwendungen wie Chatbots, digitale Assistenten und Recherchetools ermöglicht.

Einrichtung

Windsurf

Im Repository sind keine Einrichtungshinweise für Windsurf vorhanden.

Claude

1. Voraussetzungen:
   Stellen Sie sicher, dass Docker installiert ist und – falls verwendet – eine NVIDIA-fähige Umgebung für GPUs vorhanden ist.
2. Docker-Image bauen oder nutzen:
   • Lokal bauen:

     git clone git@github.com:groundlight/mcp-vision.git
     cd mcp-vision
     make build-docker
     

   • Öffentliches Image verwenden (optional): Kein Build erforderlich.
3. Konfiguration bearbeiten:
   Öffnen Sie claude_desktop_config.json und fügen Sie unter mcpServers Folgendes hinzu:
   • Für GPU:

     "mcpServers": {
       "mcp-vision": {
         "command": "docker",
         "args": ["run", "-i", "--rm", "--runtime=nvidia", "--gpus", "all", "mcp-vision"],
         "env": {}
       }
     }
     

   • Für CPU:

     "mcpServers": {
       "mcp-vision": {
         "command": "docker",
         "args": ["run", "-i", "--rm", "mcp-vision"],
         "env": {}
       }
     }
     

   • Für öffentliches Image (Beta):

     "mcpServers": {
       "mcp-vision": {
         "command": "docker",
         "args": ["run", "-i", "--rm", "--runtime=nvidia", "--gpus", "all", "groundlight/mcp-vision:latest"],
         "env": {}
       }
     }
     

4. Speichern und Neustarten:
   Speichern Sie die Konfiguration und starten Sie Claude Desktop neu.
5. Einrichtung überprüfen:
   Stellen Sie sicher, dass mcp-vision als MCP-Server in der Claude Desktop-Oberfläche verfügbar ist.

Absicherung von API-Keys

• In der Dokumentation werden keine API-Keys benötigt oder Beispiele bereitgestellt.

Cursor

Im Repository sind keine Einrichtungshinweise für Cursor vorhanden.

Cline

Im Repository sind keine Einrichtungshinweise für Cline vorhanden.

Nutzung dieses MCP in Flows

MCP in FlowHunt nutzen

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

Klicken Sie auf die MCP-Komponente, um das Konfigurationspanel zu öffnen. Im Bereich System-MCP-Konfiguration geben Sie Ihre MCP-Server-Details in folgendem JSON-Format ein:

{
  "mcp-vision": {
    "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 Fähigkeiten nutzen. Denken Sie daran, “mcp-vision” durch den tatsächlichen Namen Ihres Servers zu ersetzen und die URL entsprechend anzupassen.

Übersicht

Roots-Support: Nicht erwähnt

Insgesamt bietet mcp-vision eine nützliche, direkte Integration mit HuggingFace-Vision-Modellen, jedoch fehlt Dokumentation zu Ressourcen, Prompt-Vorlagen oder erweiterten MCP-Features wie Roots oder Sampling. Die Einrichtung ist für Claude Desktop gut dokumentiert, für andere Plattformen fehlen jedoch Hinweise.

Unsere Einschätzung

mcp-vision ist ein fokussierter und praxisorientierter MCP-Server, um KI-Workflows um visuelle Intelligenz zu erweitern – besonders in Umgebungen mit Docker-Support. Seine Stärken liegen in den klaren Tool-Angeboten und der unkomplizierten Einrichtung für Claude Desktop. Zusätzliche Dokumentation zu Ressourcen, Prompt-Vorlagen und Unterstützung für weitere Plattformen oder fortgeschrittene MCP-Features wären jedoch wünschenswert.

MCP-Score