Label Studio MCP Sunucusu

“Label Studio” MCP Sunucusu ne yapar?

Label Studio MCP Sunucusu, AI asistanlarının bir Label Studio örneğiyle sorunsuz entegrasyonunu sağlayan bir Model Context Protocol (MCP) sunucusudur. label-studio-sdk‘den yararlanarak, MCP istemcilerinden doğal dil veya yapılandırılmış çağrılarla etiketleme projelerinin, görevlerin ve tahminlerin programatik olarak yönetilmesine olanak tanır. Bu sunucu, geliştiricilere ve AI ajanlarına projeleri verimli şekilde oluşturma ve yönetme, görevleri içe aktarma ve sorgulama, tahminleri otomatikleştirme imkanı sunar—bunların hepsi standartlaştırılmış MCP araçlarıyla gerçekleştirilir. Label Studio’nun temel işlevlerini sunarak, etiketleme iş akışlarını kolaylaştırır ve veri anotasyonu, kalite incelemesi ve makine öğrenimi operasyonlarında verimliliği artırır.

Prompt Listesi

Depoda prompt şablonları belirtilmemiştir.

Kaynak Listesi

Depo dokümantasyonunda açık bir MCP kaynağı listelenmemiştir.

Araç Listesi

• get_label_studio_projects_tool()
  Mevcut projeleri listeler; her proje için ID, başlık ve görev sayısını döndürür.
• get_label_studio_project_details_tool(project_id: int)
  Belirtilen bir projenin ayrıntılı bilgilerini getirir.
• get_label_studio_project_config_tool(project_id: int)
  Bir projenin XML etiketleme yapılandırmasını getirir.
• create_label_studio_project_tool(title: str, label_config: str, …)
  Başlık, XML yapılandırması ve isteğe bağlı ayarlarla yeni bir proje oluşturur; proje detaylarını ve URL’yi döndürür.
• update_label_studio_project_config_tool(project_id: int, new_label_config: str)
  Mevcut bir projenin XML etiketleme yapılandırmasını günceller.
• list_label_studio_project_tasks_tool(project_id: int)
  Bir projede en fazla 100 görev kimliğini listeler.
• get_label_studio_task_data_tool(project_id: int, task_id: int)
  Belirli bir görevin veri yükünü getirir.
• get_label_studio_task_annotations_tool(project_id: int, task_id: int)
  Belirli bir göreve ait mevcut anotasyonları getirir.
• import_label_studio_project_tasks_tool(project_id: int, tasks_file_path: str)
  Bir projeye JSON dosyasından görevleri aktarır; aktarım özeti ve proje URL’sini döndürür.
• create_label_studio_prediction_tool(task_id: int, result: List[Dict[str, Any]], …)
  Belirli bir görev için, model sürümü ve skor opsiyonlarıyla tahmin oluşturur.

Bu MCP Sunucusunun Kullanım Senaryoları

• Otomatik Proje Yönetimi
  Etiketleme projelerini programatik olarak oluşturun, güncelleyin ve yapılandırın; böylece büyük anotasyon operasyonlarında kurulum ve bakım süreçlerini kolaylaştırın.
• Toplu Görev İçe Aktarma ve Yönetimi
  Dosyalardan görevleri toplu halde içe aktarın ve yönetin; böylece Label Studio’ya verilerinizi hızlıca aktarabilir ve görev ya da anotasyon verilerini kolayca çekebilirsiniz.
• Tahmin Entegrasyonu
  Görevlere doğrudan model tahminleri ekleyin; ML destekli anotasyon iş akışlarını ve insan-döngüsünde model değerlendirmesini mümkün kılın.
• Kalite Güvencesi ve Metrikler
  Birden fazla etiketleme projesinde ilerlemeyi ve kaliteyi izlemek için proje detaylarını ve görev sayılarını sorgulayın.
• Özelleştirilmiş Anotasyon Şablonları
  Proje gereksinimleri değiştikçe anotasyon şablonlarını (etiket yapılandırmalarını) otomatik olarak güncelleyin; tutarlılık ve esneklik sağlayın.

Nasıl Kurulur

Windsurf

1. Çalışan bir Label Studio örneğiniz olduğundan ve API anahtarınızı edindiğinizden emin olun.
2. Windsurf MCP sunucu yapılandırma dosyasını açın.
3. Aşağıdaki JSON parçasını kullanarak Label Studio MCP sunucusu tanımını ekleyin:

   {
       "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. Değişiklikleri kaydedin ve Windsurf’u yeniden başlatın.
5. Label Studio örneğinizle bağlantıyı doğrulayın.

Claude

1. Label Studio’nun çalıştığından ve API anahtarınızı edindiğinizden emin olun.
2. claude_desktop_config.json dosyanızı bulun.
3. Label Studio MCP sunucu yapılandırmasını ekleyin:

   {
       "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. Kaydedin ve Claude istemcisini yeniden başlatın.
5. İstemci arayüzünden başarılı kurulumu doğrulayın.

Cursor

1. Çalışan bir Label Studio ile başlayın ve API anahtarınızı alın.
2. Cursor MCP ayarlarını açın.
3. Şu MCP sunucu yapılandırma JSON’unu ekleyin:

   {
       "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. Kaydedin ve Cursor’u yeniden başlatın.
5. MCP sunucusunun Cursor üzerinden erişilebilir olduğundan emin olun.

Cline

1. Label Studio’nun çalıştığından emin olun ve API anahtarınızı not edin.
2. Cline MCP sunucu yapılandırma dosyasını düzenleyin.
3. Aşağıdaki gibi sunucu girişini ekleyin:

   {
       "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. Değişiklikleri kaydedin ve Cline’ı yeniden başlatın.
5. Cline üzerinden Label Studio’ya bağlantıyı test edin.

Not:
API anahtarınızı yukarıdaki env bölümünde gösterildiği gibi ortam değişkenleriyle güvenli şekilde saklayın. Bu, hassas bilgilerin kaynak kodu ve yapılandırma dosyalarından uzakta kalmasını sağlar.

Bu MCP’yi akışlarda nasıl kullanırım

FlowHunt içinde MCP kullanımı

MCP sunucularını FlowHunt iş akışınıza entegre etmek için, önce akışınıza MCP bileşenini ekleyin ve AI ajanınıza bağlayın:

MCP bileşenine tıklayarak yapılandırma panelini açın. Sistem MCP yapılandırma bölümünde, MCP sunucu detaylarınızı şu JSON formatıyla girin:

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

Yapılandırma tamamlandığında AI ajanınız, bu MCP’yi tüm fonksiyon ve yeteneklerine erişerek bir araç olarak kullanabilir. "label-studio" adını kendi MCP sunucunuzun gerçek adıyla ve URL’yi kendi MCP sunucu URL’nizle değiştirmeyi unutmayın.

Genel Bakış

İki tablo arasındaki özet:
Bu MCP sunucusu, Label Studio yönetimi için güçlü araç kapsamı ve açık kurulum dokümantasyonu sunar; ancak prompt şablonları ve açık kaynak tanımları eksiktir. Örnekleme ve kök desteği belirtilmemiştir. Genel olarak, özel veri etiketleme iş akışları için sağlam ama temel bir uygulamadır.

MCP Skoru