YOLO MCP Server

MCP运维云端

提供方 GongRzhe

运维云端 stdio · 本地进程 无需鉴权 社区 / 第三方 Claude DesktopClaudeCursorWindsurf
查看接入方式

通过Model Context Protocol (MCP)与Claude AI集成的YOLO计算机视觉服务,提供物体检测、分割、分类和实时摄像头分析功能。

一句话选型结论

按资料字段整理

YOLO MCP Server 属于运维云端类 MCP 服务器,stdio · 本地进程,无需鉴权,可直接接入 Claude Desktop、Claude、Cursor 等,有可直接执行的安装命令。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stdio · 本地进程 鉴权无需鉴权 部署方式本地部署
GitHub 星标 34 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

支持客户端

适用场景

计算机视觉Python本地部署物体检测图像分割实时分析AI集成

安装与配置

stdio · 本地进程 无需鉴权
客户端在本机拉起子进程,数据不出本机
python -m venv .venv

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Python,再按安装命令拉取依赖。

  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

  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 已适配 Claude Desktop、Claude、Cursor,换客户端不用重新研究配置。
  • 资料标注无需鉴权,装好就能连。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 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。
  • 已经在用 Claude Desktop、Claude 的用户,接入路径最短。
  • 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

  • 完全不想在本地装环境的人。
  • 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
YOLO MCP Server当前 未标注 stdio · 本地进程 本地部署 有 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GongRzhe上游标注的维护方 GongRzhe
分类运维云端本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
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 · Python本地安装时用到的包标识与运行时
部署类型本地部署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

6.1 KB
来自项目仓库与上游目录的原文,未做删改

YOLO MCP服务

强大的YOLO(You Only Look Once)计算机视觉服务,通过模型上下文协议(MCP)与Claude AI集成。该服务使Claude能够使用最先进的YOLO模型进行对象检测、分割、分类和实时相机分析。

特性

  • 目标检测、分割、分类和姿态估计
  • 实时摄像头集成用于活体检测
  • 支持模型训练、验证和导出
  • 结合多种模型的综合图像分析
  • 支持文件路径和base64编码图像
  • 与Claude AI无缝集成

安装说明

先决条件

  • Python 3.10或更高版本
  • Git(可选,用于克隆存储库)

环境设置

  1. 为项目创建一个目录并导航到该目录:```bash
    mkdir yolo-mcp-service
    cd yolo-mcp-service

1. 从存储库下载项目文件或克隆:```bash
# If you have the files, copy them to this directory
# If using git:
git clone https://github.com/GongRzhe/YOLO-MCP-Server.git .
  1. 创建虚拟环境:```bash

On Windows

python -m venv .venv

On macOS/Linux

python3 -m venv .venv


1. 激活虚拟环境:```bash
# On Windows
.venv\Scripts\activate

# On macOS/Linux
source .venv/bin/activate
  1. 运行安装脚本:```bash
    python setup.py

安装脚本将:

- 检查你的Python版本
- 创建虚拟环境(如果尚未创建)
- 安装所需的依赖项
- 生成MCP配置文件(MCP-config.json)
- 输出包括Claude在内的不同MCP客户端的配置信息

1. 注意安装脚本的输出,它看起来类似于:```
MCP configuration has been written to: /path/to/mcp-config.json

MCP configuration for Cursor:

/path/to/.venv/bin/python /path/to/server.py

MCP configuration for Windsurf/Claude Desktop:
{
"mcpServers": {
"yolo-service": {
"command": "/path/to/.venv/bin/python",
"args": [
"/path/to/server.py"
],
"env": {
"PYTHONPATH": "/path/to"
}
}
}
}

To use with Claude Desktop, merge this configuration into: /path/to/claude_desktop_config.json

下载YOLO型号

在使用该服务之前,您需要下载YOLO型号。该服务在以下目录中查找模型:

  • 服务运行的当前目录
  • A. models 子目录
  • 在中配置的任何其他目录 CONFIG["model_dirs"] server.py中的变量

创建一个模型目录并下载一些常见模型:```bash

Create models directory

mkdir models

Download YOLOv8n for basic object detection

curl -L https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt -o models/yolov8n.pt

Download YOLOv8n-seg for segmentation

curl -L https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n-seg.pt -o models/yolov8n-seg.pt

Download YOLOv8n-cls for classification

curl -L https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n-cls.pt -o models/yolov8n-cls.pt

Download YOLOv8n-pose for pose estimation

curl -L https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n-pose.pt -o models/yolov8n-pose.pt


对于Windows PowerShell用户:```powershell
# Create models directory
mkdir models

# Download models using Invoke-WebRequest
Invoke-WebRequest -Uri "https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt" -OutFile "models/yolov8n.pt"
Invoke-WebRequest -Uri "https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n-seg.pt" -OutFile "models/yolov8n-seg.pt"
Invoke-WebRequest -Uri "https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n-cls.pt" -OutFile "models/yolov8n-cls.pt"
Invoke-WebRequest -Uri "https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n-pose.pt" -OutFile "models/yolov8n-pose.pt"

配置Claude

要与Claude一起使用此服务,请执行以下操作:

  1. 对于Claude web:在本地计算机上设置服务,并使用MCP客户端中设置脚本提供的配置。

  2. 对于Claude Desktop:

  • 运行安装脚本并记录配置输出
  • 找到您的Claude Desktop配置文件(路径在安装脚本输出中提供)
  • 将配置添加或合并到您的Claude Desktop配置文件中
  • 重新启动克劳德桌面

在Claude中使用YOLO工具

1.首先检查可用型号

始终先检查您的系统上有哪些型号可用:```
I'd like to use the YOLO tools. Can you first check which models are available on my system?


### 2.检测图像中的对象

要分析计算机上的图像文件:```
Can you analyze this image file for objects?

/path/to/your/image.jpg 0.3

您还可以指定其他模型:```
Can you analyze this image using a different model?

/path/to/your/image.jpg yolov8n.pt 0.4


### 3.运行综合图像分析

有关结合对象检测、分类等的更详细分析:```
Can you perform a comprehensive analysis on this image?

/path/to/your/image.jpg 0.3

4.图像分割

为了识别对象边界和创建分割蒙版:```
Can you perform image segmentation on this photo?

/path/to/your/image.jpg true yolov8n-seg.pt


### 5.图像分类

为了对整个图像内容进行分类:```
What does this image show? Can you classify it?

/path/to/your/image.jpg true yolov8n-cls.pt 5

6.使用电脑的摄像头

使用计算机的摄像头开始实时对象检测:```
Can you turn on my camera and detect objects in real-time?

yolov8n.pt 0.3


获取最新的摄像头检测结果:```
What are you seeing through my camera right now?

完成后停止相机:```
Please turn off the camera.


### 7.高级模型操作

#### 训练自定义模型```
I want to train a custom object detection model on my dataset.

/path/to/your/dataset yolov8n.pt 50

验证模型```

Can you validate the performance of my model on a test dataset?

/path/to/your/trained/model.pt /path/to/validation/dataset


#### 将模型导出为不同格式```
I need to export my YOLO model to ONNX format.

/path/to/your/model.pt onnx

8.测试连接

检查YOLO服务是否正常运行:```
Is the YOLO service running correctly?


## 故障排除

### 摄像头问题

如果相机不工作,请尝试不同的相机ID:```
1

未找到型号

如果找不到模型,请确保已将其下载到配置的目录之一:```

```

性能问题

为了在资源有限的情况下获得更好的性能,请使用较小的型号(例如,yolov8n.pt而不是yolov8x.pt)

常见问题

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

在客户端按下面的安装命令接入:python -m venv .venv。装完在客户端配置里引用同一个包或端点。

YOLO MCP Server 怎么在 Claude Desktop、Claude、Cursor 里配置?

它的传输方式是stdio · 本地进程,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,配置才会生效。

YOLO MCP Server 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。

YOLO MCP Server 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。

YOLO MCP Server 支持哪些客户端?

资料标注支持 Claude Desktop、Claude、Cursor、Windsurf;其他客户端只要能配置 MCP Server,也能用同样的命令或地址接入。

YOLO MCP Server 能提供哪些能力?

资料显示能力标签包括 实时分析、Python、Claude。具体工具清单以官方文档为准。

YOLO MCP Server 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

YOLO MCP Server 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

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。