mcp-vision MCP Server

Hva gjør “mcp-vision” MCP Server?

“Mcp-vision” MCP Server er en Model Context Protocol (MCP) server som eksponerer HuggingFace datamodeller for datamaskinsyn—som zero-shot objektgjenkjenning—som verktøy for å forbedre synsegenskapene til store språk- eller visjon-språkmodeller. Ved å koble AI-assistenter til kraftige datamaskinsynmodeller muliggjør mcp-vision oppgaver som objektgjenkjenning og bildeanalyse direkte i utviklingsarbeidsflyter. Dette lar LLM-er og andre AI-klienter programmessig forespørre, prosessere og analysere bilder, noe som gjør det enklere å automatisere, standardisere og utvide visjonsbaserte interaksjoner i applikasjoner. Serveren passer for både GPU- og CPU-miljøer og er designet for enkel integrering med populære AI-plattformer.

Liste over prompt-maler

Ingen spesifikke promptmaler er nevnt i dokumentasjon eller depotfiler.

Klar til å vokse bedriften din?

Start din gratis prøveperiode i dag og se resultater i løpet av få dager.

Be om demo Logg inn

Liste over ressurser

Ingen eksplisitte MCP-ressurser er dokumentert eller listet i depotet.

Liste over verktøy

• locate_objects
  Oppdag og lokaliser objekter i et bilde ved å bruke en av zero-shot objektgjenkjenningspipelinene som er tilgjengelig via HuggingFace. Inndata inkluderer bildebane, en liste over kandidatetiketter, og et valgfritt modellnavn. Returnerer en liste over oppdagede objekter i standardformat.

• zoom_to_object
  Zoom inn på et spesifikt objekt i et bilde ved å beskjære bildet til rammen rundt objektet med best deteksjonsscore. Inndata inkluderer bildebane, en etikett som skal finnes, og et valgfritt modellnavn. Returnerer et beskåret bilde eller None.

Bli med i vårt nyhetsbrev

Få de siste tipsene, trendene og tilbudene gratis.

E-postadresse

Abonner

Bruksområder for denne MCP-serveren

• Automatisert objektgjenkjenning i bilder
  Utviklere kan bruke mcp-vision til å programmessig oppdage og lokalisere objekter i bilder, og effektivisere oppgaver som bildetagging, innholdsmoderering og visuell søk.
• Visjonsbasert arbeidsflytautomatisering
  Integrer objektgjenkjenning i større arbeidsflyter, som å sortere bilder etter innhold, automatisere rapportgenerering basert på detekterte elementer, eller forbedre tilgjengelighetsverktøy.
• Interaktiv bildeutforskning
  AI-assistenter kan hjelpe brukere med å zoome inn på spesifikke objekter i bilder, og støtte oppgaver som kvalitetsinspeksjon, medisinsk bildeanalyse eller produktidentifisering.
• Utvid AI-agenter med visuelle evner
  LLM-er kan resonnere rundt og handle på visuelt datagrunnlag, noe som muliggjør rikere multimodale interaksjoner og kontekstbevisste svar i applikasjoner som chatboter, digitale assistenter og forskningsverktøy.

Hvordan sette det opp

Windsurf

Ingen oppsettsinstruksjoner for Windsurf er oppgitt i depotet.

Claude

1. Forutsetninger:
   Sørg for at du har Docker installert og, hvis du bruker GPU, et NVIDIA-aktivert miljø.
2. Bygg eller bruk Docker-image:
   • Bygg lokalt:

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

   • Bruk offentlig image (valgfritt): Ingen bygging nødvendig.
3. Rediger konfigurasjon:
   Åpne claude_desktop_config.json og legg til følgende under mcpServers:
   • For GPU:

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

   • For CPU:

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

   • For offentlig image (beta):

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

4. Lagre og start på nytt:
   Lagre konfigurasjonen og start Claude Desktop på nytt.
5. Verifiser oppsett:
   Sørg for at mcp-vision er tilgjengelig som en MCP-server i Claude Desktop-grensesnittet.

Sikring av API-nøkler

• Ingen krav eller eksempler på API-nøkler er oppgitt i dokumentasjonen.

Cursor

Ingen oppsettsinstruksjoner for Cursor er oppgitt i depotet.

Cline

Ingen oppsettsinstruksjoner for Cline er oppgitt i depotet.

Hvordan bruke denne MCP-enheten i flyter

Bruke MCP i FlowHunt

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

Klikk på MCP-komponenten for å åpne konfigurasjonspanelet. I systemets MCP-konfigurasjonsseksjon, sett inn MCP-serverdetaljene dine ved å bruke dette JSON-formatet:

{
  "mcp-vision": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Når det er konfigurert, kan AI-agenten nå bruke denne MCP-en som et verktøy med tilgang til alle dens funksjoner og egenskaper. Husk å endre “mcp-vision” til det faktiske navnet på MCP-serveren din og bytt ut URL-en med din egen MCP-server-URL.

Oversikt

Roots-støtte: Ikke nevnt

Alt i alt gir mcp-vision nyttig og direkte integrasjon med HuggingFace visjonsmodeller, men mangler dokumentasjon på ressurser, promptmaler og avanserte MCP-funksjoner som roots eller sampling. Oppsettet er godt dokumentert for Claude Desktop, men ikke for andre plattformer.

Vår vurdering

mcp-vision er en fokusert og praktisk MCP-server for å legge til visuell intelligens i AI-arbeidsflyter, spesielt i miljøer som støtter Docker. Dens hovedstyrker er klare verktøy og enkelt oppsett for Claude Desktop, men den vil dra nytte av rikere dokumentasjon, spesielt rundt ressurser, promptmaler og støtte for flere plattformer og avanserte MCP-funksjoner.

MCP-score