🪄 ImageSorcery MCP

Волшебство распознавания и редактирования изображений на основе ComputerVision для помощников с искусственным интеллектом

❌ Без ImageSorcery MCP

Возможности ИИ-помощников при работе с изображениями ограничены:

• ❌ Невозможно изменять или анализировать изображения напрямую

• ❌ Нет возможности обрезать, изменять размер или обрабатывать изображения

• ❌ Некоторые LLM не могут обнаруживать объекты или извлекать текст из изображений

• ❌ Ограничено словесными описаниями без визуальной манипуляции

Related MCP server: AI Development Assistant MCP Server

✅ С ImageSorcery MCP

🪄 ImageSorcery предоставляет помощникам на базе искусственного интеллекта мощные возможности обработки изображений:

• ✅ Обрезайте, изменяйте размер и вращайте изображения с точностью

• ✅ Рисуйте текст и фигуры на изображениях

• ✅ Обнаружение объектов с использованием современных моделей

• ✅ Извлечение текста из изображений с помощью OCR

• ✅ Получите подробные метаданные изображения

• ✅ Используйте широкий спектр предварительно обученных моделей для обнаружения объектов, OCR и многого другого

Просто попросите свой ИИ помочь вам с задачами по обработке изображений:

"скопировать фотографии с домашними животными из папки photos в папку pets "

«Найдите кошку на фото.jpg и обрежьте изображение пополам по высоте и ширине, чтобы кошка оказалась по центру» 😉 Подсказка:

"Пронумеруйте поля формы в этом form.jpg с помощью модели foduucom/web-form-ui-field-detection и заполните form.md списком описанных полей" 😉 Подсказка:

😉 Подсказка:

Ваш инструмент будет объединять в себе несколько перечисленных ниже инструментов для достижения вашей цели.

🛠️ Доступные инструменты

😉 Совет:

🚀 Начало работы

Требования

• Python 3.10 или выше

• Claude.app , Cline или другой клиент MCP

Установка

1.  Load MCP documentation if you have the tool for it. It will give you path to *MCP-configuration file* and other needed instructions.
2.  Run command `python -m venv imagesorcery-mcp`
3.  Run command `source imagesorcery-mcp/bin/activate`
    For windows bash run command `source imagesorcery-mcp/Scripts/activate`
    For windows cmd run command `imagesorcery-mcp\Scripts\activate`
4.  Run command `pip install imagesorcery-mcp`
5.  Run command `imagesorcery-mcp --post-install`
6.  Create or modify *MCP-configuration file*.
7.  Add the `imagesorcery-mcp` server configuration to the `mcpServers` object in the *MCP-configuration file*
    `"imagesorcery-mcp": {"command": "/full/path/to/venv/bin/imagesorcery-mcp","timeout": 100}`
8.  Get available models using `get_models` tool from `imagesorcery-mcp`
9.  Attempt completion, indicating that the installation and configuration are complete.

1. Создайте и активируйте виртуальную среду (настоятельно рекомендуется): для надежной установки всех компонентов, особенно пакета clip (устанавливается с помощью скрипта после установки), настоятельно рекомендуется использовать встроенный в Python модуль .

   python -m venv imagesorcery-mcp
   source imagesorcery-mcp/bin/activate  # For Linux/macOS
   # source imagesorcery-mcp\Scripts\activate    # For Windows

2. Установите пакет в активированную виртуальную среду: можно использовать pip или uv pip .

   pip install imagesorcery-mcp
   # OR, if you prefer using uv for installation into the venv:
   # uv pip install imagesorcery-mcp

3. Запустите скрипт после установки: Этот шаг имеет решающее значение. Он загружает требуемые модели и пытается установить пакет Python clip из GitHub в активную виртуальную среду.

   imagesorcery-mcp --post-install

• Создает каталог models (обычно в каталоге site-packages вашей виртуальной среды или в определенном пользователем месте, если установлена глобально) для хранения предварительно обученных моделей.

• Генерирует там начальный файл models/model_descriptions.json .

• Загружает стандартные модели YOLO ( yoloe-11l-seg-pf.pt , yoloe-11s-seg-pf.pt , yoloe-11l-seg.pt , yoloe-11s-seg.pt ), необходимые для инструмента detect , в этот каталог models .

• Попытки установить пакет Python из репозитория Ultralytics' GitHub напрямую в активную среду Python. Это необходимо для функциональности текстовых подсказок в инструменте find .

• Загружает файл модели CLIP, необходимый инструменту find , в каталог models .

Вы можете запустить этот процесс в любое время, чтобы восстановить модели по умолчанию и попытаться установить clip .

• Использование на основе тестирования виртуальные среды, созданные с помощью uv venv могут не включать pip таким образом, чтобы скрипт imagesorcery-mcp --post-install автоматически устанавливал пакет clip из GitHub (это может привести к ошибке «No module named pip» на этапе установки clip ). Если вы решите использовать

  1. Создайте и активируйте свой uv venv .

  2. Установите imagesorcery-mcp : uv pip install imagesorcery-mcp .

  3. Вручную установите пакет clip в ваш активный uv venv :

     uv pip install git+https://github.com/ultralytics/CLIP.git

  4. Запустите imagesorcery-mcp --post-install . Это загрузит модели, но может не установить пакет Python clip . Для более плавной автоматической установки clip через скрипт post-install рекомендуется использовать python -m venv (как описано в шаге 1 выше) для создания виртуальной среды.

• Использование запуск скрипта после установки напрямую с помощью uvx (например, uvx imagesorcery-mcp --post-install ) скорее всего не установит пакет Python clip . Это связано с тем, что временная среда, созданная uvx , обычно не имеет pip , доступного для использования скриптом. Модели будут загружены, но пакет clip не будет установлен этой командой. Если вы собираетесь использовать uvx для запуска основного сервера imagesorcery-mcp и вам требуется функциональность clip , вам нужно будет убедиться, что пакет clip установлен в доступной среде Python, которую может найти uvx , или рассмотреть возможность установки imagesorcery-mcp в постоянную среду, созданную с помощью python -m venv .

⚙️ Конфигурация MCP клиента

Добавьте эти настройки в ваш клиент MCP. Если imagesorcery-mcp находится в PATH вашей системы после установки, вы можете использовать imagesorcery-mcp напрямую как команду. В противном случае вам нужно будет указать полный путь к исполняемому файлу.

"mcpServers": {
    "imagesorcery-mcp": {
      "command": "imagesorcery-mcp", // Or /full/path/to/venv/bin/imagesorcery-mcp if installed in a venv
      "transportType": "stdio",
      "autoApprove": ["detect", "crop", "get_models", "draw_texts", "get_metainfo", "rotate", "resize", "classify", "draw_rectangles", "find", "ocr"],
      "timeout": 100
    }
}

"mcpServers": {
    "imagesorcery-mcp": {
      "command": "imagesorcery-mcp.exe", // Or C:\\full\\path\\to\\venv\\Scripts\\imagesorcery-mcp.exe if installed in a venv
      "transportType": "stdio",
      "autoApprove": ["detect", "crop", "get_models", "draw_texts", "get_metainfo", "rotate", "resize", "classify", "draw_rectangles", "find", "ocr"],
      "timeout": 100
    }
}

📦 Дополнительные модели

Для некоторых инструментов требуется наличие определенных моделей в каталоге models :

# Download models for the detect tool
download-yolo-models --ultralytics yoloe-11l-seg
download-yolo-models --huggingface ultralytics/yolov8:yolov8m.pt

При загрузке моделей скрипт автоматически обновляет файл models/model_descriptions.json :

• Для моделей Ultralytics: описания предопределены в src/imagesorcery_mcp/scripts/create_model_descriptions.py и включают подробную информацию о назначении, размере и характеристиках каждой модели.

• Для моделей Hugging Face: Описания автоматически извлекаются из карточки модели на Hugging Face Hub. Скрипт пытается использовать имя модели из индекса модели или первой строки описания.

После загрузки моделей рекомендуется проверить описания в models/model_descriptions.json и при необходимости скорректировать их, чтобы предоставить более точную или подробную информацию о возможностях моделей и вариантах использования.

🤝 Вклад

Структура каталога

Этот репозиторий организован следующим образом:

.
├── .gitignore                 # Specifies intentionally untracked files that Git should ignore.
├── pyproject.toml             # Configuration file for Python projects, including build system, dependencies, and tool settings.
├── pytest.ini                 # Configuration file for the pytest testing framework.
├── README.md                  # The main documentation file for the project.
├── setup.sh                   # A shell script for quick setup (legacy, for reference or local use).
├── models/                    # This directory stores pre-trained models used by tools like `detect` and `find`. It is typically ignored by Git due to the large file sizes.
│   ├── model_descriptions.json  # Contains descriptions of the available models.
│   ├── settings.json            # Contains settings related to model management and training runs.
│   └── *.pt                     # Pre-trained model.
├── src/                       # Contains the source code for the 🪄 ImageSorcery MCP server.
│   └── imagesorcery_mcp/       # The main package directory for the server.
│       ├── __init__.py          # Makes `imagesorcery_mcp` a Python package.
│       ├── __main__.py          # Entry point for running the package as a script.
│       ├── logging_config.py    # Configures the logging for the server.
│       ├── server.py            # The main server file, responsible for initializing FastMCP and registering tools.
│       ├── logs/                # Directory for storing server logs.
│       ├── scripts/             # Contains utility scripts for model management.
│       │   ├── README.md        # Documentation for the scripts.
│       │   ├── __init__.py      # Makes `scripts` a Python package.
│       │   ├── create_model_descriptions.py # Script to generate model descriptions.
│       │   ├── download_clip.py # Script to download CLIP models.
│       │   ├── post_install.py  # Script to run post-installation tasks.
│       │   └── download_models.py # Script to download other models (e.g., YOLO).
│       └── tools/               # Contains the implementation of individual MCP tools.
│           ├── README.md        # Documentation for the tools.
│           ├── __init__.py      # Import the central logger
│           └── *.py           # Implements the tool.
└── tests/                     # Contains test files for the project.
    ├── test_server.py         # Tests for the main server functionality.
    ├── data/                  # Contains test data, likely image files used in tests.
    └── tools/                 # Contains tests for individual tools.

Настройка разработки

1. Клонируйте репозиторий:

git clone https://github.com/sunriseapps/imagesorcery-mcp.git # Or your fork
cd imagesorcery-mcp

2. (Рекомендуется) Создайте и активируйте виртуальную среду:

python -m venv venv
source venv/bin/activate # For Linux/macOS
# venv\Scripts\activate    # For Windows

3. Установите пакет в режиме редактирования вместе с зависимостями разработки:

pip install -e ".[dev]"

Это установит imagesorcery-mcp и все зависимости из [project.dependencies] и [project.optional-dependencies].dev (включая build и twine ).

Правила

Эти правила применяются ко всем участникам: людям и ИИ.

1. Прочитайте все файлы README.md в проекте. Поймите структуру и цель проекта. Поймите правила для внесения вклада. Подумайте, как это связано с вашей задачей, и как внести соответствующие изменения.

2. Прочитайте pyproject.toml . Обратите внимание на разделы: [tool.ruff] , [tool.ruff.lint] , [project.optional-dependencies] и [project]dependencies . Строго следуйте стилю кода, определенному в pyproject.toml . Придерживайтесь стека, определенного в зависимостях pyproject.toml и не добавляйте новые зависимости без веской причины.

3. Напишите свой код в новых и существующих файлах. Если нужны новые зависимости, обновите pyproject.toml и установите их через pip install -e . или pip install -e ".[dev]" . Не устанавливайте их напрямую через pip install . Проверьте существующие исходные коды для примеров (например, src/imagesorcery_mcp/server.py , src/imagesorcery_mcp/tools/crop.py ). Придерживайтесь стиля кода, соглашений об именовании, форматов входных и выходных данных, структуры кододеса, архитектуры и т. д. существующего кода.

4. Обновите связанные файлы README.md с вашими изменениями. Придерживайтесь формата и структуры существующих файлов README.md .

5. Напишите тесты для своего кода. Проверьте существующие тесты на наличие примеров (например, tests/test_server.py , tests/tools/test_crop.py ). Придерживайтесь стиля кода, соглашений об именовании, форматов входных и выходных данных, структуры кода, архитектуры и т. д. существующих тестов.

6. Запустите тесты и линтер, чтобы убедиться, что все работает:

pytest
ruff check .

В случае сбоев - исправить код и тесты. Строго необходимо, чтобы весь новый код соответствовал правилам линтера и проходил все тесты.

Советы по кодированию

• Используйте подсказки по типу, где это уместно

• Используйте pydantic для проверки и сериализации данных

📝 Вопросы?

Если у вас есть вопросы, проблемы или предложения относительно этого проекта, обращайтесь:

• Автор проекта: titulus через LinkedIn

• Генеральный директор Sunrise Apps: Влад Карм через LinkedIn

Вы также можете открыть сообщение об ошибке в репозитории для отправки отчетов об ошибках или запросов на новые функции.

📜 Лицензия

Этот проект лицензирован по лицензии MIT. Это означает, что вы можете свободно использовать, изменять и распространять программное обеспечение в соответствии с условиями лицензии MIT.