DINO X MCP

🚀 DINO-X MCP

DINO-X MCP借助DINO-X和Grounding DINO 1.6 API，赋能大语言模型实现细粒度的目标检测和图像理解。

🚀 快速开始

1. 前提条件

你可以使用以下方法之一安装Node.js：

选项A：命令行安装 👍

# 对于MacOS或Linux系统
# 1. 安装nvm（Node版本管理器）
curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.40.1/install.sh | bash
# 或者
wget -qO- https://raw.githubusercontent.com/nvm-sh/nvm/v0.40.1/install.sh | bash

# 2. 将以下行添加到你的配置文件（~/.bash_profile、~/.zshrc、~/.profile或~/.bashrc）
export NVM_DIR="$HOME/.nvm"
[ -s "$NVM_DIR/nvm.sh" ] && \. "$NVM_DIR/nvm.sh"  
[ -s "$NVM_DIR/bash_completion" ] && \. "$NVM_DIR/bash_completion"  

# 3. 在当前shell中激活nvm
source ~/.bashrc
# 或者
source ~/.zshrc   

# 4. 验证nvm是否安装成功
command -v nvm

# 5. 安装并使用Node.js的LTS版本
nvm install --lts
nvm use --lts

# 对于Windows系统
winget install OpenJS.NodeJS.LTS
# 或者使用PowerShell（管理员权限）
iwr -useb https://raw.githubusercontent.com/chocolatey/chocolatey/master/chocolateyInstall/InstallChocolatey.ps1 | iex
choco install nodejs-lts -y

选项B：手动安装

从 nodejs.org 下载安装程序。

此外，选择支持MCP客户端的AI助手和应用程序，包括但不限于：

• Cursor
• WindSurf
• Trae
• Cherry Studio

2. 配置MCP服务器

你可以通过两种方式使用DINO-X MCP服务器：

选项A：使用NPM包 👍

在你的MCP客户端中添加以下配置：

{
  "mcpServers": {
    "dinox-mcp": {
      "command": "npx",
      "args": ["-y", "@deepdataspace/dinox-mcp"],
      "env": {
        "DINOX_API_KEY": "your-api-key-here",
        "IMAGE_STORAGE_DIRECTORY": "/path/to/your/image/directory"
      }
    }
  }
}

选项B：使用本地项目

首先，克隆并构建项目：

# 克隆项目
git clone https://github.com/IDEA-Research/DINO-X-MCP.git
cd DINO-X-MCP

# 安装依赖
pnpm install

# 构建项目
pnpm run build

然后配置你的MCP客户端：

{
  "mcpServers": {
    "dinox-mcp": {
      "command": "node",
      "args": ["/path/to/DINO-X-MCP/build/index.js"],
      "env": {
        "DINOX_API_KEY": "your-api-key-here",
        "IMAGE_STORAGE_DIRECTORY": "/path/to/your/image/directory"
      }
    }
  }
}

3. 获取API密钥

从 DINO-X平台 获取你的API密钥（新用户可享受免费配额）。

将上述配置中的 your-api-key-here 替换为你实际的API密钥。

4. 环境变量

DINO-X MCP服务器支持以下环境变量：

5. 可用工具

重启你的MCP客户端，你应该能够使用以下工具：

✨ 主要特性

虽然多模态模型可以理解和描述图像，但它们通常缺乏对视觉内容的精确定位和高质量的结构化输出。

使用DINO-X MCP，你可以：

🧠 实现细粒度的图像理解 —— 包括全场景识别和基于自然语言的目标检测。

🎯 准确获取对象的数量、位置和属性，支持视觉问答等任务。

🧩 与其他MCP服务器集成，构建多步骤的视觉工作流。

🛠️ 为现实世界的自动化场景构建自然语言驱动的视觉代理。

🎬 使用案例

🎯 场景	📝 输入	✨ 输出
检测与定位	💬 提示： 检测并可视化森林中的火灾区域 🖼️ 输入图像：
对象计数	💬 提示： 请分析这张仓库图像，检测所有纸箱并统计总数 🖼️ 输入图像：
特征检测	💬 提示： 在图像中找到所有红色汽车 🖼️ 输入图像：
属性推理	💬 提示： 在图像中找到最高的人，描述他们的穿着 🖼️ 输入图像：
全场景检测	💬 提示： 在图像中找到维生素C含量最高的水果 🖼️ 输入图像：	答案：猕猴桃（93mg/100g）
姿态分析	💬 提示： 请分析这是什么瑜伽姿势 🖼️ 输入图像：

📝 使用说明

支持的图像格式

• 以 https:// 开头的远程URL 👍
• 本地文件路径（以 file:// 开头）
• 常见图像格式：jpg, jpeg, png, webp

API文档

请参考 DINO-X平台 获取API使用限制和定价信息。

🔧 技术细节

开发过程中的注意事项

监听模式

在开发过程中，你可以使用监听模式进行自动重建：

pnpm run watch

调试

使用MCP Inspector调试服务器：

pnpm run inspector

📄 许可证

本项目采用Apache License 2.0许可证。