mcp-vision MCP-server

Vad gör “mcp-vision” MCP-servern?

“mcp-vision” MCP-servern är en Model Context Protocol (MCP) server som exponerar HuggingFace datorseendemodeller – såsom zero-shot objektigenkänning – som verktyg för att förstärka visionsfunktionaliteten hos stora språkmodeller eller vision-language-modeller. Genom att koppla AI-assistenter till kraftfulla datorseendemodeller möjliggör mcp-vision uppgifter som objektigenkänning och bildanalys direkt i utvecklingsarbetsflöden. Detta gör att LLM:er och andra AI-klienter kan fråga, bearbeta och analysera bilder programmatiskt, vilket förenklar automatisering, standardisering och utökning av visuella interaktioner i applikationer. Servern fungerar både i GPU- och CPU-miljöer och är utformad för enkel integrering med populära AI-plattformar.

Lista över prompts

Inga specifika prompt-mallar nämns i dokumentationen eller repository-filerna.

Lista över resurser

Inga explicita MCP-resurser dokumenterade eller listade i repositoryt.

Lista över verktyg

• locate_objects
  Identifiera och lokalisera objekt i en bild med någon av HuggingFaces zero-shot objektigenkänningspipelines. Inparametrar är bildsökväg, en lista med kandidatetiketter och eventuellt modellnamn. Returnerar en lista med detekterade objekt i standardformat.

• zoom_to_object
  Zooma in på ett specifikt objekt i en bild genom att beskära bilden till objektets bounding box med högst detektionspoäng. Inparametrar är bildsökväg, etikett att hitta och eventuellt modellnamn. Returnerar en beskuren bild eller None.

Användningsområden för denna MCP-server

• Automatiserad objektigenkänning i bilder
  Utvecklare kan använda mcp-vision för att programmatiskt detektera och lokalisera objekt i bilder, vilket effektiviserar uppgifter som bildtaggning, innehållsmoderering och visuell sökning.
• Workflow-automation baserat på datorseende
  Integrera objektigenkänning i större arbetsflöden, till exempel för sortering av bilder efter innehåll, automatiserad rapportgenerering baserat på detekterade objekt eller förbättring av tillgänglighetsverktyg.
• Interaktiv bildutforskning
  AI-assistenter kan hjälpa användare att zooma in på specifika objekt i bilder, vilket underlättar uppgifter som kvalitetsinspektion, medicinsk bildanalys eller produktidentifiering.
• Förstärkning av AI-agenter med visuella funktioner
  LLM:er kan resonera kring och agera på visuella data, vilket möjliggör rikare multimodala interaktioner och kontextmedvetna svar i exempelvis chattbottar, digitala assistenter och forskningsverktyg.

Hur sätter man upp det

Windsurf

Inga installationsinstruktioner för Windsurf finns i repositoryt.

Claude

1. Förutsättningar:
   Se till att du har Docker installerat och, om du använder GPU, en NVIDIA-aktiverad miljö.
2. Bygg eller använd Docker-image:
   • Bygg lokalt:

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

   • Använd publik image (valfritt): Ingen byggnad krävs.
3. Redigera konfiguration:
   Öppna claude_desktop_config.json och lägg till följande under mcpServers:
   • För GPU:

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

   • För CPU:

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

   • För publik image (beta):

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

4. Spara och starta om:
   Spara konfigurationen och starta om Claude Desktop.
5. Kontrollera installationen:
   Kontrollera att mcp-vision finns tillgänglig som MCP-server i Claude Desktop UI.

API-nyckelsäkerhet

• Inga krav eller exempel på API-nycklar anges i dokumentationen.

Cursor

Inga installationsinstruktioner för Cursor finns i repositoryt.

Cline

Inga installationsinstruktioner för Cline finns i repositoryt.

Hur man använder denna MCP i flöden

Att använda MCP i FlowHunt

För att integrera MCP-servrar i ditt FlowHunt-arbetsflöde, börja 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 dina MCP-serverdetaljer enligt detta JSON-format:

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

När det är konfigurerat kan AI-agenten nu använda detta MCP som ett verktyg med tillgång till alla dess funktioner och möjligheter. Kom ihåg att byta ut “mcp-vision” till det faktiska namnet på din MCP-server och byta ut URL:en mot din egen serveradress.

Översikt

Roots-stöd: Inte nämnt

Sammanfattningsvis erbjuder mcp-vision användbar och direkt integration med HuggingFace vision-modeller, men saknar dokumentation om resurser, prompt-mallar och avancerade MCP-funktioner såsom roots eller sampling. Installation är väl dokumenterad för Claude Desktop men inte för andra plattformar.

Vår bedömning

mcp-vision är en fokuserad och praktisk MCP-server för att lägga till visuell intelligens i AI-arbetsflöden, särskilt i miljöer som stödjer Docker. Dess största styrkor är tydliga verktyg och enkel installation för Claude Desktop, men den skulle vinna på fylligare dokumentation – särskilt kring resurser, prompt-mallar samt stöd för fler plattformar och avancerade MCP-funktioner.

MCP Score