Label Studio MCPサーバー

「Label Studio」MCPサーバーは何をするのか？

Label Studio MCPサーバーは、AIアシスタントをLabel Studioインスタンスとシームレスに統合できるModel Context Protocol（MCP）サーバーです。label-studio-sdkを活用し、MCPクライアントから自然言語や構造化コールでラベリングプロジェクト、タスク、予測をプログラム的に管理できます。開発者やAIエージェントが標準化されたMCPツールを通じて、プロジェクト作成・管理、タスクのインポートや検索、予測の自動化などを効率的に実行可能です。Label Studioの主要機能を公開することで、ラベリングワークフローを効率化し、データアノテーション・品質レビュー・機械学習業務の生産性を向上させます。

プロンプト一覧

リポジトリにはプロンプトテンプレートは記載されていません。

リソース一覧

リポジトリのドキュメントに明示的なMCPリソースは記載されていません。

ツール一覧

• get_label_studio_projects_tool()
  利用可能なプロジェクトを一覧表示し、各プロジェクトのID、タイトル、タスク数を返します。
• get_label_studio_project_details_tool(project_id: int)
  指定したプロジェクトの詳細情報を取得します。
• get_label_studio_project_config_tool(project_id: int)
  指定プロジェクトのXMLラベリング設定を取得します。
• create_label_studio_project_tool(title: str, label_config: str, …)
  タイトル、XML設定、およびオプションで新規プロジェクトを作成し、プロジェクト詳細とURLを返します。
• update_label_studio_project_config_tool(project_id: int, new_label_config: str)
  既存プロジェクトのXMLラベリング設定を更新します。
• list_label_studio_project_tasks_tool(project_id: int)
  プロジェクト内の最大100件のタスクIDをリストアップします。
• get_label_studio_task_data_tool(project_id: int, task_id: int)
  特定タスクのデータペイロードを取得します。
• get_label_studio_task_annotations_tool(project_id: int, task_id: int)
  特定タスクの既存アノテーションを取得します。
• import_label_studio_project_tasks_tool(project_id: int, tasks_file_path: str)
  JSONファイルからプロジェクトにタスクをインポートし、インポートサマリーとプロジェクトURLを返します。
• create_label_studio_prediction_tool(task_id: int, result: List[Dict[str, Any]], …)
  指定タスクに予測を作成し、モデルバージョンやスコアもオプションで指定できます。

このMCPサーバーのユースケース

• プロジェクト管理の自動化
  プログラム的にラベリングプロジェクトの作成、更新、設定を行い、大規模アノテーション業務のセットアップや保守を効率化します。
• 大量タスクのインポートと管理
  ファイルからタスクを一括インポート・管理し、Label Studioへの効率的なデータ投入やタスクデータ・アノテーションの取得を容易にします。
• 予測統合
  モデル予測をタスクに直接追加し、ML支援アノテーションワークフローやヒューマンインザループのモデル評価を促進します。
• 品質保証とメトリクス
  プロジェクトの詳細・タスク数をクエリし、複数プロジェクトの進捗や品質を監視できます。
• カスタマイズアノテーションテンプレート
  プロジェクト要件の変化に応じてアノテーションテンプレート（ラベル設定）を自動更新し、一貫性や柔軟性を確保します。

セットアップ方法

Windsurf

1. Label Studioインスタンスが稼働していることを確認し、APIキーを取得します。
2. Windsurf MCPサーバーの設定ファイルを開きます。
3. 以下のJSONスニペットを使ってLabel Studio MCPサーバーの定義を追加します:

   {
       "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. 変更を保存してWindsurfを再起動します。
5. Label Studioインスタンスへの接続を確認します。

Claude

1. Label Studioが稼働しており、APIキーを取得していることを確認します。
2. claude_desktop_config.json ファイルを見つけます。
3. Label Studio MCPサーバーの設定を追加します:

   {
       "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. 保存してClaudeクライアントを再起動します。
5. クライアント画面でセットアップが正常に完了したか確認します。

Cursor

1. Label Studioが稼働している状態でAPIキーを取得します。
2. Cursor MCPの設定を開きます。
3. 次のMCPサーバー設定JSONを追加します:

   {
       "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. 保存してCursorを再起動します。
5. CursorからMCPサーバーにアクセスできることを確認します。

Cline

1. Label Studioが起動中であることを確認し、APIキーを控えます。
2. Cline MCPサーバーの設定ファイルを編集します。
3. 以下のようにサーバーエントリを挿入します:

   {
       "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. 保存後、Clineを再起動します。
5. Cline経由でLabel Studioへ接続できることをテストします。

注意:
APIキーは上記envセクションのように環境変数で安全に保存してください。これにより、機密情報がソースコードや設定ファイルに残りません。

フロー内でこのMCPを使う方法

FlowHuntでのMCP利用

MCPサーバーをFlowHuntワークフローに統合するには、まずフローにMCPコンポーネントを追加し、AIエージェントに接続します。

MCPコンポーネントをクリックして設定パネルを開き、system MCP設定セクションに以下のJSON形式でMCPサーバー情報を入力します:

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

設定後、AIエージェントはこのMCPをツールとして利用でき、すべての機能にアクセス可能となります。“label-studio"はご自身のMCPサーバー名に変更し、URLもご自身のMCPサーバーURLに置き換えてください。

概要

2つの表の間メモ:
このMCPサーバーはLabel Studio管理のための強力なツールカバレッジと明確なセットアップドキュメントを提供しますが、プロンプトテンプレートや明示的なリソース定義がありません。サンプリングやroots対応も記載がなく、専用データラベリングワークフロー向けのシンプルながら堅実な実装です。

MCPスコア