MCP Yolo

MCP运维云端

提供方 litong33

运维云端 未标注 无需鉴权 社区 / 第三方

MCP-YOLO是一个基于YOLOv8改进的目标检测模型,适用于密集小目标和相互遮挡场景下的物体识别。

一句话选型结论

按资料字段整理

MCP Yolo 属于运维云端类 MCP 服务器,传输方式未标注,无需鉴权,没有现成安装命令,需按官方文档接入。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类运维云端 传输方式未标注 鉴权无需鉴权 部署方式未标注
GitHub 星标 0 仓库热度,无公开仓库时显示未标注
工具数 未标注 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

运维云端
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量未标注暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

适用场景

目标检测本地部署密集小目标YOLOv8改进深度学习计算机视觉

安装与配置

未标注 无需鉴权
上游未给出传输方式
  1. 1
    准备运行环境

    按官方文档确认运行环境(常见为 Node.js 或 Python),装好后再执行安装命令。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后随便调一个只读工具,确认能返回结果,再接入正式流程。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
云资源查询

查实例、存储、账单等云上资源状态。

部署与发布

把部署、重启、回滚这类操作接进对话。

监控与告警

拉取监控指标,异常时让模型帮你判断。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • 没有现成安装命令,需要按官方文档自己填启动命令和参数。
  • 资料没标注工具数量,实际能力要装好后确认。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在运维云端场景里让模型直接调用外部能力的人。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
MCP Yolo当前 未标注 未标注 未标注 无 2026-05-17
lobehub 未标注 stdio · 本地进程 本地部署 有 2026-04-11
TrendRadar 未标注 stdio · 本地进程 本地部署 有 2026-04-13
Ui Tars Desktop 8a825770 未标注 stdio · 本地进程 本地部署 有 2026-05-17
ruflo 未标注 stdio · 本地进程 本地部署 有 2026-04-13
FastGPT 未标注 stdio · 本地进程 本地部署 有 2026-04-11

服务器档案

运维云端
字段来自项目仓库与公开索引,中文说明由本站标注
提供方litong33上游标注的维护方 litong33
分类运维云端本站按上游分类展示
连接方式未标注上游未给出传输方式
鉴权方式无需鉴权远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · 未标注本地安装时用到的包标识与运行时
部署类型未标注上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

2.9 KB
来自项目仓库与上游目录的原文,未做删改

MCP-YOLO

自定义数据集已上传到github。可用:https://github.com/litong33/MCP-YOLO.git

自定义数据集放置在CustomDatatset文件夹中,主要选择学校的学生社区作为拍摄区域,有密集的小目标和相互遮挡。拍摄时间为白天,分为四类:行人、电动汽车、自行车和汽车。数据集包含train和val,每个文件夹都包含iamges和labels子文件夹。图像为jepg格式,标签为txt格式。整个图像集由1403张图像组成,大小为729.49MB。

剩余的yaml文件是MCP-YOLO、其他模型文件和基线消融实验模型,通过使用这些模型进行训练,可以获得字母表中的结果。

目录

  • 安装步骤
  • 文件目录说明
  • 部署环境
  • 作者

安装步骤

模块文件夹包含每个模块的py文件,其中CA.py和SEAttention.py是引用的注意力机制,SwinTransformer.py是引用了开源Transformer模块。C2S.py、MDF.py、E-PSA.py是本项目提出的模块。
在引用该模块之前,您需要将本文中提出的模块复制到YOLOv8源代码项目中的ultralytics\nn\modules文件夹中,并在tasks.py中添加对该模块的引用。还需要在parse_model函数中添加对MDF和C2S模块的解析。在解析函数中,C2S直接添加到parse_model函数中与C2f和C3模块if相同的位置,而MDF模块和E-PSA模块需要在parse_models的else if分支中解析,如下所示:```
elif m in {MDF}:
c1=[ch[x] for x in f]
c2=2*c1[1]
args= [c1]
elif m in {E-PSA}:
c1 = ch[f[0]]
c2 = c1
e = args[0] if len(args) > 0 else 0.5
args = [c1, c2, e]


安装完成后,MCP-YOLO.yaml用于培训。

### 文件目录说明```
MCP-YOLO
├── CustomDataset
│  ├── train
│  │  ├── images
│  │  │  ├── image1.jpg
│  │  │  └── ...
│  │  └── labels
│  │     ├── image1.txt
│  │     └── ...
│  ├──val
│  │  ├── images
│  │  │  ├── image1.jpg
│  │  │  └── ...
│  │  └── labels
│  │     ├── image1.txt
│  │     └── ...
│  ├── my.yaml
│  ├── yolov5.yaml
│  ├── yolov6.yaml
│  ├── yolov8.yaml
│  ├── yolov7.yaml
│  ├── yolov9(GELANt).yaml
│  └── yolov10n.yaml
├── MCP-YOLO
│  ├── yolov8+C2S.yaml
│  ├── yolov8+MDF.yaml
│  ├── yolov8+E-PSA.yaml
│  ├── yolov8+p2.yaml
│  └── MCP-YOLO.yaml
└── module
├── C2S.py
├── MDF.py
├── CA.py
├── E-PSA.py
├── SwinTransformer.py
└── SEAttention.py

部署环境

标签格式为YOLO txt格式。在Windows系统下,配置CUDA12.1+PyTorch2.2.2环境进行训练,训练集的yaml文件名为my.yaml。

作者

童丽邮箱:19833057159@163.com
米继伟电子邮件:17330356082@163.com
刘佳邮箱:liuj2gis@163.com
何竺邮箱:zhuhe20011027@163.com

常见问题

5 问
答案由本站依据条目字段整理,不引用上游原文
MCP Yolo 怎么安装?

资料没有给出安装命令,请到官方仓库或文档按说明接入;这类条目多数是生态应用,或尚未发布可安装包。

MCP Yolo 怎么在客户端里配置?

它的传输方式未标注,在客户端 MCP 配置里按官方文档填写启动命令和参数,保存后重启客户端生效。

MCP Yolo 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

MCP Yolo 需要 API Key 吗?

资料标注为无需认证,装好就能连;如果实际调用时报鉴权错误,按官方文档补上凭据。

MCP Yolo 能提供哪些能力?

资料显示能力标签包括 云端部署、Docker、服务器管理。具体工具清单以官方文档为准。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。