detection-mcp

简体中文

detection-mcp ist ein lokaler STDIO Model Context Protocol Server für Objekterkennungs-Annotationen. Er speichert Workflow-Status und Annotationen in SQLite, rendert Vorschauen zur Überprüfung im Speicher und exportiert JSONL, ohne die Quellbilder zu verändern.

Status

Die v1-Implementierung steht zur Überprüfung bereit. Sie stellt 23 Werkzeuge für Datensätze, Kategorien, Bilder, achsenausgerichtete Boxen, rotierte Boxen, Vorschauen und Export zur Verfügung. Das Paket erfordert Python 3.12 oder neuer und verwendet fastmcp>=3.4.7,<4.0.0, was kompatible 3.x-Sicherheitsupdates ermöglicht.

Related MCP server: z_ai_vision_mcp_server_clone

Installation aus diesem Repository

Installieren Sie uv und führen Sie dann aus:

uv tool install .
detection-mcp --version

Für die Repository-Entwicklung:

uv sync --locked --all-groups
uv run pre-commit install --install-hooks --hook-type pre-commit --hook-type commit-msg --hook-type pre-push

Konfigurieren eines MCP-Clients

Verwenden Sie eine installierte ausführbare Datei und gewähren Sie nur die Verzeichnisse, die die Aufgabe benötigt:

{
  "mcpServers": {
    "detection-mcp": {
      "command": "detection-mcp",
      "args": [
        "--db-path", "/var/lib/detection-mcp/annotations.db",
        "--allowed-dataset-root", "/srv/datasets",
        "--allowed-export-root", "/srv/exports"
      ]
    }
  }
}

Der Server verwendet STDIO: Protokollnachrichten gehen an stdout und Logs an stderr. CLI-Optionen überschreiben die Umgebungsvariablen DETECTION_MCP_*. Siehe Konfiguration für alle Einstellungen.

Annotations-Workflow

1. Registrieren Sie einen Datensatzstamm und definieren Sie Kategorien.

2. Listen Sie Bilder nach Status oder deterministischer Zufallsreihenfolge auf.

3. Zeigen Sie eine Vorschau eines orientierungskorrigierten Bildes an.

4. Fügen Sie normalisierte achsenausgerichtete oder rotierte Boxen in atomaren Batches hinzu.

5. Zeigen Sie die Überlagerungsvorschau an und korrigieren Sie Annotationen, bevor Sie das Bild als abgeschlossen markieren.

6. Exportieren Sie abgeschlossene Bilder nach AutoTrain oder erweitertem JSONL.

Installieren der Agent Skills

Die Agent Skills befinden sich nur im skills/-Verzeichnis des Repositorys. Sie sind nicht im Python-Wheel, im Quellverteilungspaket oder im Container-Image enthalten. Installieren Sie einen der Skills direkt von GitHub mit der skills CLI:

npx skills add ryan-minato/detection-mcp --skill object-detection-annotation
npx skills add ryan-minato/detection-mcp --skill detection-mcp-setup

Die Standardinstallation ist projektlokal. Fügen Sie --global hinzu, wenn der Skill projektübergreifend verfügbar sein soll.

Werkzeuggruppen

Siehe die vollständige Werkzeugreferenz und das Exportformat.

Entwicklungsbefehle

just ist der Befehlsausführer des Repositorys:

just sync       # synchronize the locked environment
just test       # run ordinary tests
just quality-control # run CI checks without tests
just quality    # run the complete local commit gate
just hooks      # run repository hooks against tracked files
just check      # run quality and hooks

Umgehen Sie niemals Git-Hooks. Jeder Commit erfordert das vollständige Qualitätsgate und einen gestagten Secret/PII-Scan. Siehe CONTRIBUTING.md, SECURITY.md und AGENTS.md.

Container

Das Produktionsimage läuft als Nicht-Root-Benutzer. Datensatz-Mounts müssen schreibgeschützt sein, während Status und Exporte separate beschreibbare Mounts erfordern. Siehe Docker-Bereitstellung und docker-compose.example.yml.

Lizenz

Apache-2.0. Siehe LICENSE.