Label Studio MCP-server

Vad gör “Label Studio” MCP-servern?

Label Studio MCP-servern är en Model Context Protocol (MCP)-server som möjliggör sömlös integrering av AI-assistenter med en Label Studio -instans. Med hjälp av label-studio-sdk kan du programmatiskt hantera märkningsprojekt, uppgifter och prediktioner via naturligt språk eller strukturerade anrop från MCP-klienter. Denna server ger utvecklare och AI-agenter möjlighet att effektivt skapa och hantera projekt, importera och hämta uppgifter samt automatisera prediktioner, allt via standardiserade MCP-verktyg. Genom att exponera Label Studios kärnfunktionalitet effektiviserar den arbetsflöden för märkning och ökar produktiviteten för dataannotering, kvalitetsgranskning och maskininlärningsarbete.

Lista över prompts

Inga promptmallar nämns i arkivet.

Redo att växa ditt företag?

Starta din kostnadsfria provperiod idag och se resultat inom några dagar.

Begär demo Logga in

Lista över resurser

Inga explicita MCP-resurser listas i arkivdokumentationen.

Lista över verktyg

• get_label_studio_projects_tool()
  Visar tillgängliga projekt och returnerar ID, titel och antal uppgifter för varje projekt.
• get_label_studio_project_details_tool(project_id: int)
  Hämtar detaljerad information för ett angivet projekt.
• get_label_studio_project_config_tool(project_id: int)
  Hämtar XML-konfigurationen för märkning för ett givet projekt.
• create_label_studio_project_tool(title: str, label_config: str, …)
  Skapar ett nytt projekt med en titel, XML-konfiguration och valfria inställningar; returnerar projektinformation och URL.
• update_label_studio_project_config_tool(project_id: int, new_label_config: str)
  Uppdaterar XML-konfigurationen för märkning för ett befintligt projekt.
• list_label_studio_project_tasks_tool(project_id: int)
  Visar upp till 100 uppgifts-ID:n inom ett projekt.
• get_label_studio_task_data_tool(project_id: int, task_id: int)
  Hämtar datapayload för en specifik uppgift.
• get_label_studio_task_annotations_tool(project_id: int, task_id: int)
  Hämtar befintliga annoteringar för en specifik uppgift.
• import_label_studio_project_tasks_tool(project_id: int, tasks_file_path: str)
  Importerar uppgifter från en JSON-fil till ett projekt; returnerar importöversikt och projekt-URL.
• create_label_studio_prediction_tool(task_id: int, result: List[Dict[str, Any]], …)
  Skapar en prediktion för en specifik uppgift, med val för modellversion och poäng.

Gå med i vårt nyhetsbrev

Få de senaste tipsen, trenderna och erbjudandena gratis.

E-postadress

Prenumerera

Användningsområden för denna MCP-server

• Automatiserad projektledning
  Skapa, uppdatera och konfigurera märkningsprojekt programmatiskt och effektivisera uppsättning och underhåll för omfattande annoteringsverksamhet.
• Massimport och hantering av uppgifter
  Importera uppgifter från filer och hantera dem i bulk, vilket möjliggör effektiv dataimport i Label Studio och enkel hämtning av uppgiftsdata eller annoteringar.
• Prediktionsintegrering
  Lägg till modellprediktioner direkt till uppgifter, vilket stödjer ML-assisterade annoteringsflöden och human-in-the-loop-utvärdering av modeller.
• Kvalitetssäkring och mätvärden
  Hämta projektdetaljer och uppgiftsantal för att följa upp framsteg och kvalitet över flera märkningsprojekt.
• Anpassade annoteringsmallar
  Automatisera uppdateringar av annoteringsmallar (label configs) för föränderliga projektkrav och säkerställ både konsekvens och flexibilitet.

Hur du sätter upp det

Windsurf

1. Se till att du har en igång Label Studio-instans och hämta din API-nyckel.
2. Öppna Windsurf MCP-serverns konfigurationsfil.
3. Lägg till Label Studio MCP-serverdefinitionen med följande JSON-utdrag:

   {
       "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. Spara ändringarna och starta om Windsurf.
5. Kontrollera anslutningen till din Label Studio-instans.

Claude

1. Säkerställ att Label Studio körs och att du har din API-nyckel.
2. Leta upp din claude_desktop_config.json-fil.
3. Lägg till Label Studio MCP-serverkonfigurationen:

   {
       "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. Spara och starta om Claude-klienten.
5. Bekräfta att installationen lyckats i klientgränssnittet.

Cursor

1. Börja med en igång Label Studio och hämta din API-nyckel.
2. Öppna Cursor MCP-inställningarna.
3. Lägg till denna MCP-serverkonfiguration 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. Spara och starta om Cursor.
5. Kontrollera att MCP-servern är tillgänglig från Cursor.

Cline

1. Kontrollera att Label Studio är igång och notera din API-nyckel.
2. Redigera Cline MCP-serverns konfigurationsfil.
3. Lägg in serverposten enligt nedan:

   {
       "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. Spara dina ändringar och starta om Cline.
5. Testa anslutningen till Label Studio via Cline.

Obs:
Förvara din API-nyckel säkert genom att använda miljövariabler, som visas i env-sektionen ovan. Detta håller känslig information utanför källkod och konfigurationsfiler.

Hur du använder denna MCP i flöden

Använda MCP i FlowHunt

För att integrera MCP-servrar i ditt FlowHunt-arbetsflöde börjar du med att lägga till MCP-komponenten i ditt flöde och koppla den till din AI-agent:

Klicka på MCP-komponenten för att öppna konfigurationspanelen. I systemets MCP-konfigurationssektion anger du detaljerna för din MCP-server med detta JSON-format:

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

När du har konfigurerat är AI-agenten redo att använda denna MCP som ett verktyg med tillgång till alla dess funktioner och möjligheter. Kom ihåg att ändra "label-studio" till det faktiska namnet på din MCP-server och byt ut URL:en mot din egen MCP-server-URL.

Översikt

Mellan de två tabellerna:
Denna MCP-server erbjuder god verktygstäckning för Label Studio-hantering och tydlig installationsdokumentation, men saknar promptmallar och explicita resursdefinitioner. Sampling och roots-stöd nämns inte. Sammantaget är det en solid men grundläggande implementation för dedikerade datamärkningsflöden.

MCP-poäng