Skip to main content
Glama
enesjakozh
GongRzhe

YOLO MCP Server

by GongRzhe
OverviewSchemaRelated ServersScoreDiscussions
Python
Hybrid

YOLO MCP 服务

强大的 YOLO（You Only Look Once）计算机视觉服务，通过模型上下文协议 (MCP) 与 Claude AI 集成。该服务使 Claude 能够使用最先进的 YOLO 模型执行对象检测、分割、分类和实时摄像头分析。

特征

  • 物体检测、分割、分类和姿势估计

  • 实时摄像头集成，用于活体物体检测

  • 支持模型训练、验证和导出

  • 结合多种模型的综合图像分析

  • 支持文件路径和 base64 编码图像

  • 与 Claude AI 无缝集成

Related MCP server: MCP Code Analyzer

设置说明

先决条件

  • Python 3.10 或更高版本

  • Git（可选，用于克隆存储库）

环境设置

  1. 为项目创建一个目录并导航到该目录：

    mkdir yolo-mcp-service
cd yolo-mcp-service

  2. 下载项目文件或从存储库克隆：

    # If you have the files, copy them to this directory
# If using git:
git clone https://github.com/GongRzhe/YOLO-MCP-Server.git .

  3. 创建虚拟环境：

    # On Windows
python -m venv .venv

# On macOS/Linux
python3 -m venv .venv

  4. 激活虚拟环境：

    # On Windows
.venv\Scripts\activate

# On macOS/Linux
source .venv/bin/activate

  5. 运行安装脚本：

    python setup.py

    安装脚本将：

    • 检查你的 Python 版本

    • 创建虚拟环境（如果尚未创建）

    • 安装所需的依赖项

    • 生成 MCP 配置文件 (mcp-config.json)

    • 输出包括 Claude 在内的不同 MCP 客户端的配置信息

  6. 请注意安装脚本的输出，它类似于：

    MCP configuration has been written to: /path/to/mcp-config.json

MCP configuration for Cursor:

/path/to/.venv/bin/python /path/to/server.py

MCP configuration for Windsurf/Claude Desktop:
{
  "mcpServers": {
    "yolo-service": {
      "command": "/path/to/.venv/bin/python",
      "args": [
        "/path/to/server.py"
      ],
      "env": {
        "PYTHONPATH": "/path/to"
      }
    }
  }
}

To use with Claude Desktop, merge this configuration into: /path/to/claude_desktop_config.json

下载 YOLO 模型

在使用该服务之前，您需要下载 YOLO 模型。该服务会在以下目录中查找模型：

  • 服务运行的当前目录

  • models子目录

  • server.py 中的CONFIG["model_dirs"]变量配置的任何其他目录

创建models目录，下载一些常用的模型：

# Create models directory
mkdir models

# Download YOLOv8n for basic object detection
curl -L https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt -o models/yolov8n.pt

# Download YOLOv8n-seg for segmentation
curl -L https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n-seg.pt -o models/yolov8n-seg.pt

# Download YOLOv8n-cls for classification
curl -L https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n-cls.pt -o models/yolov8n-cls.pt

# Download YOLOv8n-pose for pose estimation
curl -L https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n-pose.pt -o models/yolov8n-pose.pt

对于 Windows PowerShell 用户：

# Create models directory
mkdir models

# Download models using Invoke-WebRequest
Invoke-WebRequest -Uri "https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt" -OutFile "models/yolov8n.pt"
Invoke-WebRequest -Uri "https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n-seg.pt" -OutFile "models/yolov8n-seg.pt"
Invoke-WebRequest -Uri "https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n-cls.pt" -OutFile "models/yolov8n-cls.pt"
Invoke-WebRequest -Uri "https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n-pose.pt" -OutFile "models/yolov8n-pose.pt"

配置 Claude

要与 Claude 一起使用此服务：

  1. 对于 Claude web：在本地机器上设置服务并使用 MCP 客户端中的安装脚本提供的配置。

  2. 对于 Claude 桌面：

    • 运行安装脚本并记下配置输出

    • 找到您的 Claude Desktop 配置文件（路径在安装脚本输出中提供）

    • 将配置添加或合并到您的 Claude Desktop 配置文件中

    • 重启Claude桌面

在 Claude 中使用 YOLO 工具

1. 首先检查可用的模型

请务必先检查您的系统上有哪些型号可用：

I'd like to use the YOLO tools. Can you first check which models are available on my system?

<function_calls>
<invoke name="list_available_models">
</invoke>
</function_calls>

2. 检测图像中的物体

要分析计算机上的图像文件：

Can you analyze this image file for objects?

<function_calls>
<invoke name="analyze_image_from_path">
<parameter name="image_path">/path/to/your/image.jpg</parameter>
<parameter name="confidence">0.3</parameter>
</invoke>
</function_calls>

您还可以指定不同的模型：

Can you analyze this image using a different model?

<function_calls>
<invoke name="analyze_image_from_path">
<parameter name="image_path">/path/to/your/image.jpg</parameter>
<parameter name="model_name">yolov8n.pt</parameter>
<parameter name="confidence">0.4</parameter>
</invoke>
</function_calls>

3. 运行综合图像分析

对于结合对象检测、分类等的更详细分析：

Can you perform a comprehensive analysis on this image?

<function_calls>
<invoke name="comprehensive_image_analysis">
<parameter name="image_path">/path/to/your/image.jpg</parameter>
<parameter name="confidence">0.3</parameter>
</invoke>
</function_calls>

4.图像分割

用于识别对象边界和创建分割蒙版：

Can you perform image segmentation on this photo?

<function_calls>
<invoke name="segment_objects">
<parameter name="image_data">/path/to/your/image.jpg</parameter>
<parameter name="is_path">true</parameter>
<parameter name="model_name">yolov8n-seg.pt</parameter>
</invoke>
</function_calls>

5.图像分类

对整个图像内容进行分类：

What does this image show? Can you classify it?

<function_calls>
<invoke name="classify_image">
<parameter name="image_data">/path/to/your/image.jpg</parameter>
<parameter name="is_path">true</parameter>
<parameter name="model_name">yolov8n-cls.pt</parameter>
<parameter name="top_k">5</parameter>
</invoke>
</function_calls>

6. 使用电脑的摄像头

使用计算机的摄像头开始实时物体检测：

Can you turn on my camera and detect objects in real-time?

<function_calls>
<invoke name="start_camera_detection">
<parameter name="model_name">yolov8n.pt</parameter>
<parameter name="confidence">0.3</parameter>
</invoke>
</function_calls>

获取最新的相机检测结果：

What are you seeing through my camera right now?

<function_calls>
<invoke name="get_camera_detections">
</invoke>
</function_calls>

完成后停止相机：

Please turn off the camera.

<function_calls>
<invoke name="stop_camera_detection">
</invoke>
</function_calls>

7. 高级模型操作

训练自定义模型

I want to train a custom object detection model on my dataset.

<function_calls>
<invoke name="train_model">
<parameter name="dataset_path">/path/to/your/dataset</parameter>
<parameter name="model_name">yolov8n.pt</parameter>
<parameter name="epochs">50</parameter>
</invoke>
</function_calls>

验证模型

Can you validate the performance of my model on a test dataset?

<function_calls>
<invoke name="validate_model">
<parameter name="model_path">/path/to/your/trained/model.pt</parameter>
<parameter name="data_path">/path/to/validation/dataset</parameter>
</invoke>
</function_calls>

将模型导出为不同格式

I need to export my YOLO model to ONNX format.

<function_calls>
<invoke name="export_model">
<parameter name="model_path">/path/to/your/model.pt</parameter>
<parameter name="format">onnx</parameter>
</invoke>
</function_calls>

8.测试连接

检查YOLO服务是否正常运行：

Is the YOLO service running correctly?

<function_calls>
<invoke name="test_connection">
</invoke>
</function_calls>

故障排除

相机问题

如果相机不工作，请尝试不同的相机 ID：

<function_calls>
<invoke name="start_camera_detection">
<parameter name="camera_id">1</parameter>  <!-- Try 0, 1, or 2 -->
</invoke>
</function_calls>

未找到模型

如果未找到模型，请确保已将其下载到配置的目录之一：

<function_calls>
<invoke name="get_model_directories">
</invoke>
</function_calls>

性能问题

为了在有限的资源下获得更好的性能，请使用较小的模型（例如，yolov8n.pt 而不是 yolov8x.pt）

This server cannot be installed

-
security - not tested
A
license - permissive license
-
quality - not tested

How are these scores calculated?

Resources

Appeared in Searches

Latest Blog Posts

MCP directory API

We provide all the information about MCP servers via our MCP API.

curl -X GET 'https://glama.ai/api/mcp/v1/servers/GongRzhe/YOLO-MCP-Server'

If you have feedback or need assistance with the MCP directory API, please join our Discord server