Serveur MCP Label Studio

Que fait le serveur MCP “Label Studio” ?

Le serveur MCP Label Studio est un serveur Model Context Protocol (MCP) qui permet une intégration transparente des assistants IA avec une instance Label Studio . Tirant parti du label-studio-sdk, il autorise la gestion programmatique des projets d’annotation, tâches et prédictions via le langage naturel ou des appels structurés depuis des clients MCP. Ce serveur donne aux développeurs et agents IA la possibilité de créer et gérer efficacement des projets, d’importer et d’interroger des tâches, et d’automatiser les prédictions — le tout via des outils MCP standardisés. En exposant les fonctionnalités principales de Label Studio, il rationalise les workflows d’annotation et améliore la productivité pour l’annotation de données, la revue qualité et les opérations de machine learning.

Liste des prompts

Aucun modèle de prompt n’est mentionné dans le dépôt.

Prêt à développer votre entreprise?

Commencez votre essai gratuit aujourd'hui et voyez les résultats en quelques jours.

Demander une démo Se connecter

Liste des ressources

Aucune ressource MCP explicite n’est référencée dans la documentation du dépôt.

Liste des outils

• get_label_studio_projects_tool()
  Liste les projets disponibles, renvoyant l’ID, le titre et le nombre de tâches pour chaque projet.
• get_label_studio_project_details_tool(project_id: int)
  Récupère les informations détaillées pour un projet donné.
• get_label_studio_project_config_tool(project_id: int)
  Récupère la configuration XML de labellisation pour un projet donné.
• create_label_studio_project_tool(title: str, label_config: str, …)
  Crée un nouveau projet avec titre, configuration XML et options ; renvoie les détails du projet et l’URL.
• update_label_studio_project_config_tool(project_id: int, new_label_config: str)
  Met à jour la configuration XML de labellisation pour un projet existant.
• list_label_studio_project_tasks_tool(project_id: int)
  Liste jusqu’à 100 identifiants de tâches d’un projet.
• get_label_studio_task_data_tool(project_id: int, task_id: int)
  Récupère les données d’une tâche spécifique.
• get_label_studio_task_annotations_tool(project_id: int, task_id: int)
  Récupère les annotations existantes d’une tâche spécifique.
• import_label_studio_project_tasks_tool(project_id: int, tasks_file_path: str)
  Importe des tâches depuis un fichier JSON dans un projet ; retourne le récapitulatif de l’import et l’URL du projet.
• create_label_studio_prediction_tool(task_id: int, result: List[Dict[str, Any]], …)
  Crée une prédiction pour une tâche donnée, avec options pour la version du modèle et le score.

Rejoignez notre newsletter

Recevez gratuitement les derniers conseils, tendances et offres.

Adresse e-mail

S'abonner

Cas d’usage de ce serveur MCP

• Gestion automatisée des projets
  Créez, mettez à jour et configurez les projets d’annotation de façon programmatique, simplifiant la mise en place et la maintenance pour les opérations de labellisation à grande échelle.
• Import et gestion de tâches en masse
  Importez des tâches depuis des fichiers et gérez-les en masse, facilitant l’ingestion de données dans Label Studio et la récupération facile des données ou des annotations.
• Intégration de prédictions
  Ajoutez des prédictions de modèles directement aux tâches, facilitant les workflows d’annotation assistée par IA et l’évaluation humaine en boucle.
• Assurance qualité & métriques
  Interrogez les détails des projets et le nombre de tâches pour suivre l’avancement et la qualité sur plusieurs projets de labellisation.
• Templates d’annotation personnalisés
  Automatisez la mise à jour des templates d’annotation (configs de labels) pour répondre à l’évolution des besoins projets, assurant cohérence et flexibilité.

Comment le configurer

Windsurf

1. Assurez-vous que Label Studio est en cours d’exécution et obtenez votre clé API.
2. Ouvrez le fichier de configuration du serveur MCP Windsurf.
3. Ajoutez la définition du serveur MCP Label Studio en utilisant l’extrait JSON suivant :

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

4. Enregistrez les modifications et redémarrez Windsurf.
5. Vérifiez la connexion à votre instance Label Studio.

Claude

1. Vérifiez que Label Studio fonctionne et que vous disposez de votre clé API.
2. Localisez votre fichier claude_desktop_config.json.
3. Ajoutez la configuration du serveur MCP Label Studio :

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

4. Enregistrez et redémarrez le client Claude.
5. Confirmez la réussite de la configuration dans l’interface du client.

Cursor

1. Démarrez avec Label Studio opérationnel et obtenez votre clé API.
2. Ouvrez les paramètres MCP de Cursor.
3. Ajoutez ce JSON de configuration serveur MCP :

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

4. Enregistrez et redémarrez Cursor.
5. Vérifiez que le serveur MCP est accessible depuis Cursor.

Cline

1. Assurez-vous que Label Studio est lancé et notez votre clé API.
2. Éditez le fichier de configuration du serveur MCP de Cline.
3. Insérez l’entrée serveur comme suit :

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

4. Enregistrez les modifications et redémarrez Cline.
5. Testez la connexion à Label Studio via Cline.

Remarque :
Stockez votre clé API de façon sécurisée en utilisant des variables d’environnement comme illustré dans la section env ci-dessus. Cela permet de garder les informations sensibles hors du code source et des fichiers de configuration.

Comment utiliser ce MCP dans vos flux

Utilisation du MCP dans FlowHunt

Pour intégrer des serveurs MCP à votre workflow FlowHunt, commencez par ajouter le composant MCP à votre flux et reliez-le à votre agent IA :

Cliquez sur le composant MCP pour ouvrir le panneau de configuration. Dans la section configuration système MCP, insérez les détails de votre serveur MCP au format JSON suivant :

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

Une fois configuré, l’agent IA peut alors utiliser ce MCP en tant qu’outil, avec accès à toutes ses fonctions et capacités. N’oubliez pas de remplacer "label-studio" par le nom de votre serveur MCP réel et de remplacer l’URL par celle de votre serveur MCP.

Vue d’ensemble

Entre les deux tableaux :
Ce serveur MCP offre une large couverture d’outils pour la gestion de Label Studio et une documentation d’installation claire, mais n’intègre pas de modèles de prompt ni de ressources explicites. Sampling et racines non mentionnés. Globalement, il s’agit d’une implémentation solide mais basique pour des workflows d’annotation de données dédiés.

Score MCP