detection-mcp

简体中文

detection-mcp — это локальный STDIO-сервер протокола контекста модели для аннотации обнаружения объектов. Он хранит состояние рабочего процесса и аннотации в SQLite, отображает предварительный просмотр рецензирования в памяти и экспортирует JSONL без изменения исходных изображений.

Статус

Реализация v1 доступна для рецензирования. Она предоставляет 23 инструмента для наборов данных, категорий, изображений, выровненных по осям прямоугольников, повёрнутых прямоугольников, предварительного просмотра и экспорта. Пакет предназначен для Python 3.12 или новее и использует fastmcp>=3.4.7,<4.0.0, что позволяет получать совместимые обновления безопасности 3.x.

Related MCP server: z_ai_vision_mcp_server_clone

Установка из этого репозитория

Установите uv, затем выполните:

uv tool install .
detection-mcp --version

Для разработки репозитория:

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

Настройка MCP-клиента

Используйте установленный исполняемый файл и предоставьте только те каталоги, которые необходимы для задачи:

{
  "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"
      ]
    }
  }
}

Сервер использует STDIO: сообщения протокола отправляются в stdout, а журналы — в stderr. Параметры командной строки переопределяют переменные окружения DETECTION_MCP_*. См. конфигурацию для всех настроек.

Рабочий процесс аннотации

1. Зарегистрируйте корневой каталог набора данных и определите категории.

2. Выведите список изображений по статусу или в детерминированном случайном порядке.

3. Предварительно просмотрите изображение с исправленной ориентацией.

4. Добавьте нормализованные выровненные по осям или повёрнутые прямоугольники атомарными пакетами.

5. Просмотрите наложение и исправьте аннотации перед отметкой изображения как завершённого.

6. Экспортируйте завершённые изображения в AutoTrain или расширенный JSONL.

Установка навыков агента

Навыки агента находятся только в корневом каталоге skills/ репозитория. Они не включены в Python-колесо, исходный дистрибутив или образ контейнера. Установите любой навык напрямую из GitHub с помощью skills CLI:

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

Установка по умолчанию является локальной для проекта. Добавьте --global, когда навык должен быть доступен для всех проектов.

Группы инструментов

См. полный справочник инструментов и формат экспорта.

Команды разработки

just — это исполнитель команд репозитория:

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

Никогда не обходите Git-хуки. Каждый коммит требует полного контроля качества и сканирования секретов/PII. См. CONTRIBUTING.md, SECURITY.md и AGENTS.md.

Контейнеры

Производственный образ запускается от имени непривилегированного пользователя. Монтирования наборов данных должны быть только для чтения, а состояние и экспорт требуют отдельных монтирований для записи. См. развёртывание Docker и docker-compose.example.yml.

Лицензия

Apache-2.0. См. LICENSE.