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.

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 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.

Gå med i vårt nyhetsbrev

Få de senaste tipsen, trenderna och erbjudandena gratis.

E-postadress

Prenumerera

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