Label Studio MCP Server

🚀 标签工作室 MCP 服务器

本项目提供了一个模型上下文协议（MCP）服务器，可借助 label-studio-sdk 与 Label Studio 实例开展交互。它支持以程序化的方式管理标注项目、任务和预测，既可以通过自然语言，也能利用结构化的 MCP 客户端进行调用。借助此 MCP 服务器，您能够完成如创建项目、查询标注任务数量、添加预测、更新标注模板等操作。

🚀 快速开始

此项目提供一个模型上下文协议（MCP）服务器，允许通过 label-studio-sdk 与 Label Studio 实例进行交互。使用前请确保满足安装要求并完成配置，之后即可启动服务器并使用各项工具进行项目、任务管理和预测操作。

✨ 主要特性

• 项目管理：可创建、读取、更新和删除标注项目。
• 任务管理：支持导入任务文件，列出所有任务，并获取特定任务的数据和注释。
• 预测功能：能为特定任务生成和添加预测结果。

📦 安装指南

安装要求

1. 操作系统：支持 Linux 或 macOS（Windows 目前不受支持）。
2. Python 版本：3.6 及以上版本。
3. 依赖项：
   • label-studio-sdk >= 0.9.0
   • uvicorn >= 0.15.0
   • python-multipart >= 0.2.1

安装步骤

使用 Python 包管理器安装所需的依赖项：

pip install label-studio-sdk uvicorn python-multipart

📚 详细文档

配置指南

环境变量配置

在运行服务器之前，确保设置以下环境变量：

• LABEL_STUDIO_URL：Label Studio 服务的 URL 地址（例如：http://localhost:8000）。
• LABEL_STUDIO_API_KEY：访问 Label Studio API 的密钥。

示例配置

export LABEL_STUDIO_URL="http://localhost:8000"
export LABEL_STUDIO_API_KEY="your_api_key_here"

服务器运行

使用以下命令启动 MCP 服务器：

python label-studio-mcp.py --transport http --port 3000

参数说明：

• --transport {http|stdio}：指定通信传输方式（默认为 stdio）。
• --port PORT：设置 HTTP 传输的端口号（默认为 3000）。
• --host HOST：设置 HTTP 传输的主机地址（默认为 0.0.0.0）。

工具说明

项目管理工具

• create_label_studio_project：创建一个新的标注项目。
• get_label_studio_projects：获取所有已有的标注项目。
• update_label_studio_project：更新指定项目的配置。
• delete_label_studio_project：删除指定的标注项目。

任务管理工具

• import_label_studio_tasks：将 JSON 文件中的任务导入到指定项目中。
• list_label_studio_tasks：列出指定项目的所有任务。
• get_label_studio_task_data：获取特定任务的数据和元数据。

预测功能工具

• create_label_studio_prediction：为特定任务生成并添加预测结果。
• list_label_studio_predictions：列出指定任务的所有预测结果。

💻 使用示例

基础用法

1. 创建一个新项目

create_label_studio_project --name "图像分类任务" --description "图片分类标注"

2. 准备任务文件（例如 tasks.json）

[
  {
    "id": 1,
    "data": {
      "image": "path/to/image.jpg",
      "text": "描述图像内容"
    },
    "annotations": []
  },
  {
    "id": 2,
    "data": {
      "image": "path/to/another_image.jpg",
      "text": "另一张图片的描述"
    },
    "annotations": []
  }
]

3. 导入任务到项目

import_label_studio_tasks --project-id 1 --tasks-file tasks.json

4. 列出所有任务

list_label_studio_tasks --project-id 1

5. 获取特定任务的数据

get_label_studio_task_data --task-id 1

6. 生成预测结果

[
  {
    "result": [
      {
        "id": 1,
        "start_time": 0.1,
        "end_time": 0.2,
        "label": "cat"
      },
      {
        "id": 2,
        "start_time": 0.3,
        "end_time": 0.5,
        "label": "dog"
      }
    ],
    "score": 0.89
  }
]

7. 添加预测

create_label_studio_prediction --task-id 1 --result-file predictions.json

📞 联系方式

如需帮助或反馈，请通过 GitHub Issues 提交问题。