Label Studio MCP-server

Hva gjør “Label Studio” MCP-serveren?

Label Studio MCP-serveren er en Model Context Protocol (MCP)-server som muliggjør sømløs integrasjon av AI-assistenter med en Label Studio-instans. Ved å bruke label-studio-sdk tillater den programmessig håndtering av merkingsprosjekter, oppgaver og prediksjoner via naturlig språk eller strukturerte kall fra MCP-klienter. Denne serveren gir utviklere og AI-agenter mulighet til effektivt å opprette og administrere prosjekter, importere og hente oppgaver, samt automatisere prediksjoner, alt gjennom standardiserte MCP-verktøy. Ved å eksponere kjernefunksjonaliteten til Label Studio effektiviserer den merkingsarbeidsflyter og øker produktiviteten for dataannotering, kvalitetskontroll og maskinlæringsoperasjoner.

Liste over prompt-maler

Ingen prompt-maler er nevnt i depotet.

Liste over ressurser

Ingen eksplisitte MCP-ressurser er listet opp i dokumentasjonen.

Liste over verktøy

• get_label_studio_projects_tool()
  Lister tilgjengelige prosjekter, og returnerer ID, tittel og antall oppgaver for hvert prosjekt.
• get_label_studio_project_details_tool(project_id: int)
  Henter detaljert informasjon for et spesifisert prosjekt.
• get_label_studio_project_config_tool(project_id: int)
  Henter XML-konfigurasjonen for merking for et gitt prosjekt.
• create_label_studio_project_tool(title: str, label_config: str, …)
  Oppretter et nytt prosjekt med tittel, XML-konfigurasjon og valgfrie innstillinger; returnerer prosjektinformasjon og URL.
• update_label_studio_project_config_tool(project_id: int, new_label_config: str)
  Oppdaterer XML-merke-konfigurasjonen for et eksisterende prosjekt.
• list_label_studio_project_tasks_tool(project_id: int)
  Lister opptil 100 oppgave-ID-er i et prosjekt.
• get_label_studio_task_data_tool(project_id: int, task_id: int)
  Henter datapayload for en spesifikk oppgave.
• get_label_studio_task_annotations_tool(project_id: int, task_id: int)
  Henter eksisterende annotasjoner for en spesifikk oppgave.
• import_label_studio_project_tasks_tool(project_id: int, tasks_file_path: str)
  Importerer oppgaver fra en JSON-fil til et prosjekt; returnerer importoppsummering og prosjekt-URL.
• create_label_studio_prediction_tool(task_id: int, result: List[Dict[str, Any]], …)
  Oppretter en prediksjon for en spesifikk oppgave, med valg for modellversjon og score.

Bruksområder for denne MCP-serveren

• Automatisert prosjektstyring
  Opprett, oppdater og konfigurer merkingsprosjekter programmessig, noe som effektiviserer oppsett og vedlikehold for store annoteringsoperasjoner.
• Masseimport og administrasjon av oppgaver
  Importer oppgaver fra filer og administrer dem i bulk, noe som muliggjør effektiv dataimport til Label Studio og enkel uthenting av oppgavedata eller annotasjoner.
• Prediksjonsintegrasjon
  Legg til modellprediksjoner direkte på oppgaver, som muliggjør ML-assisterte annoteringsarbeidsflyter og human-in-the-loop modellevaluering.
• Kvalitetssikring og målinger
  Hent prosjektinformasjon og antall oppgaver for å overvåke fremdrift og kvalitet på tvers av flere merkingsprosjekter.
• Tilpassede annoteringsmaler
  Automatiser oppdateringer til annoteringsmaler (label configs) for å møte endrede prosjektkrav, og sikre konsistens og fleksibilitet.

Slik setter du det opp

Windsurf

1. Sørg for at du har en kjørende Label Studio-instans og skaff deg API-nøkkelen din.
2. Åpne konfigurasjonsfilen for Windsurf MCP-serveren.
3. Legg til Label Studio MCP-serverdefinisjonen med følgende JSON-snutt:

   {
       "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. Lagre endringene og start Windsurf på nytt.
5. Verifiser tilkoblingen til din Label Studio-instans.

Claude

1. Sørg for at Label Studio kjører og at du har API-nøkkelen din.
2. Finn filen claude_desktop_config.json.
3. Legg til Label Studio MCP-serverkonfigurasjonen:

   {
       "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. Lagre og start Claude-klienten på nytt.
5. Bekreft vellykket oppsett i klientgrensesnittet.

Cursor

1. Start med en kjørende Label Studio og skaff deg API-nøkkelen din.
2. Åpne Cursor MCP-innstillinger.
3. Legg til denne MCP-serverkonfigurasjonen som 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. Lagre og start Cursor på nytt.
5. Sjekk at MCP-serveren er tilgjengelig fra Cursor.

Cline

1. Sørg for at Label Studio kjører og noter deg API-nøkkelen.
2. Rediger konfigurasjonsfilen til Cline MCP-serveren.
3. Sett inn serveroppføringen som vist 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. Lagre endringene dine og start Cline på nytt.
5. Test tilkoblingen til Label Studio via Cline.

Merk:
Oppbevar API-nøkkelen din sikkert ved å bruke miljøvariabler som vist i env-seksjonen over. Dette holder sensitiv informasjon utenfor kildekode og konfigurasjonsfiler.

Hvordan bruke denne MCP-en i flyter

Bruke MCP i FlowHunt

For å integrere MCP-servere i din FlowHunt-arbeidsflyt, start med å legge til MCP-komponenten i flyten og koble den til din AI-agent:

Klikk på MCP-komponenten for å åpne konfigurasjonspanelet. I systemets MCP-konfigurasjonsseksjon setter du inn MCP-serverdetaljene dine med dette JSON-formatet:

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

Når dette er konfigurert, kan AI-agenten bruke denne MCP-en som et verktøy med tilgang til alle funksjoner og muligheter. Husk å endre "label-studio" til det faktiske navnet på MCP-serveren din og bytt ut URL-en med din egen MCP-server-URL.

Oversikt

Mellom de to tabellene:
Denne MCP-serveren gir bred verktøystøtte for Label Studio-administrasjon og tydelig oppsett-dokumentasjon, men mangler prompt-maler og eksplisitte ressursdefinisjoner. Sampling og roots-støtte er ikke nevnt. Alt i alt er det en solid, men grunnleggende implementasjon for dedikerte dataannoteringsarbeidsflyter.

MCP-score