Ultralytics MCP Server

🎯 RCT检测平台-Ultralytics MCP服务器

先进的人工智能物体检测平台，具有智能数据集上传、自定义模型训练和N8N自动化的MCP集成功能。

一个全面的模型上下文协议（MCP）服务器，将Ultralytics YOLO模型与N8N工作流无缝集成，提供完整的AI驱动的计算机视觉解决方案，支持10GB数据集上传和智能后台处理。

✨ 主要特点

🎯 核心能力

• 🔬 高级AI检测：基于YOLO的目标检测和分析
• 📦 智能数据集上传：10GB限制，智能ZIP结构检测
• 🎯 定制模型培训：使用任何YOLO数据集训练自己的模型
• 🤖 YOLO11型号变体：从纳米/小/中/大/x大底座型号中选择
• ⚡ GPU 加速：NVIDIA CUDA支持快速训练/推理
• 🌐 web界面：漂亮的Streamlit仪表板
• 📊 实时监控：实时GPU统计数据和训练进度
• 🔌 MCP集成：与N8N连接以实现工作流自动化
• 🛡️ 后台处理：大文件的稳定上传处理

� 快速开始

一个命令设置

对于Windows用户：

setup.bat

对于Linux/Mac用户：

chmod +x setup.sh
./setup.sh

手动设置：

docker-compose up --build -d

访问平台

• 🌐 主界面: http://localhost:8501
• 📊 TensorBoard: http://localhost:6006
• 🔌 MCP服务器: http://localhost:8092
• 📓 朱庇特: http://localhost:8888

� 需求

• Docker&Docker编写
• NVIDIA Docker运行时 （用于GPU支持）
• 8GB+内存 推荐
• 50GB+可用磁盘空间

🎯 数据集上传

支持的ZIP结构

该平台自动检测和组织各种ZIP结构：

✅ Structure 1 (Flat):
dataset.zip
├── data.yaml
├── images/
│   ├── img1.jpg
│   └── img2.jpg
└── labels/
    ├── img1.txt
    └── img2.txt

✅ Structure 2 (Nested):
dataset.zip
└── my_dataset/
    ├── data.yaml
    ├── images/
    │   ├── train/
    │   └── val/
    └── labels/
        ├── train/
        └── val/

✅ Structure 3 (Split folders):
dataset.zip
├── data.yaml
├── train/
│   ├── images/
│   └── labels/
└── val/
    ├── images/
    └── labels/

上传过程

1. 引导到 训练 页
2. 点击 上传自定义数据集
3. 选择您的ZIP文件（最多10GB）
4. 输入数据集名称
5. 点击 上传数据集
6. 不刷新 在加工过程中
7. 等待完成消息

• 🌐 流线型UI: http://localhost:8501
• 📊 TensorBoard: http://localhost:6006
• 📓 Jupyter 实验室: http://localhost:8888
• 🔗 MCP服务器: http://localhost:8092

🎮 可用服务

🛠️ MCP工具可用

我们的MCP服务器为AI工作流程提供了7个专用工具：

1. detect_objects -图像中的实时目标检测
2. train_model -定制YOLO模型训练
3. evaluate_model -模型性能评估
4. predict_batch -多幅图像的批处理
5. export_model -模型格式转换（ONNX、TensorRT等）
6. benchmark_model -性能基准测试
7. analyze_dataset -数据集统计和验证

🔌 N8N集成

使用我们的MCP服务器连接到N8N：

1. 服务器终结点: http://localhost:8092
2. 运输：服务器发送事件（SSE）
3. 健康检查: http://localhost:8092/health

N8N工作流示例

{
  "mcp_connection": {
    "transport": "sse",
    "endpoint": "http://localhost:8092/sse"
  }
}

📁 项目结构

ultralytics_mcp_server/
├── 🐳 docker-compose.yml          # Orchestration configuration
├── 🔧 Dockerfile.ultralytics      # CUDA-enabled Ultralytics container
├── 🔧 Dockerfile.mcp-connector    # Node.js MCP server container
├── 📦 src/
│   └── server.js                  # MCP server implementation
├── 🎨 main_dashboard.py           # Streamlit main interface
├── 📄 pages/                      # Streamlit multi-page app
│   ├── train.py                   # Model training interface
│   └── inference.py               # Inference interface
├── ⚡ startup.sh                   # Container initialization script
├── 📋 .dockerignore               # Build optimization
└── 📖 README.md                   # This documentation

🔧 配置

环境变量

• CUDA_VISIBLE_DEVICES -GPU设备选择
• STREAMLIT_PORT -Streamlit服务端口（默认值：8501）
• MCP_PORT -MCP服务器端口（默认：8092）
• TENSORBOARD_PORT -TensorBoard端口（默认值：6006）

自定义配置

编辑 docker-compose.yml 自定义：

• 端口映射
• 卷装载
• 环境变量
• 资源限制

📊 使用示例

通过Streamlit进行物体检测

1. 引导到http://localhost:8501
2. 上传图像或视频
3. 选择YOLO模型变量和置信阈值
4. 运行推理并查看带注释的结果

使用YOLO11变体训练自定义模型

1. 首选 训练 Streamlit中的页面
2. 上传自定义数据集或选择内置数据集
3. 选择 YOLO11型号变体:

- 约洛11n：快速训练，适合测试（1.9M参数） - yolo11s：平衡性能（9.1M参数） - 约洛11m：精度更高（20.1M参数） - 约洛11l：高精度训练（25.3M参数） - yolo11x：最大精度（43.9M参数）

1. 配置纪元、批量大小、图像大小
2. 使用实时GPU统计数据监控实时训练进度
3. 模型自动保存到工作区

训练自定义模型

1. 访问Streamlit界面中的培训页面
2. 选择 YOLO11型号变体 （纳米/小/中/大/x大）
3. 选择您的数据集（内置或自定义上传）
4. 配置训练参数（纪元、批量大小、图像大小）
5. 点击 开始训练 并监控进度
6. 模型自动保存到工作区以供以后使用

模型变量选择：

• 约洛11n.pt -纳米：速度最快，精度最低（1.9M参数）
• yolo11s.pt -小：平衡良好（9.1M参数）
• 约洛11m.pt -中等：精度更高（20.1M参数）
• 约洛11l.pt -大：精度高（25.3M参数）
• 约洛11x.pt -X-Large：最高精度（43.9M参数）

N8N自动化

1. 创建N8N工作流
2. 添加MCP连接器节点
3. 配置终结点： http://localhost:8092
4. 使用可用的工具进行自动化

🔍 监控与调试

容器状态

docker ps
docker-compose logs ultralytics-container
docker-compose logs mcp-connector-container

健康检查

# MCP Server
curl http://localhost:8092/health

# Streamlit
curl http://localhost:8501/_stcore/health

# TensorBoard
curl http://localhost:6006

🔄 重新启动和维护

重新启动服务

docker-compose restart

更新和重建

docker-compose down
docker-compose up --build -d

清除重置

docker-compose down
docker system prune -f
docker-compose up --build -d

🎯 性能优化

• GPU内存：由CUDA运行时自动管理
• 批处理：针对多图像推理进行了优化
• 模型缓存：预装型号，响应更快
• 多线程：并发请求处理

🚨 故障排除

常见问题

容器重启循环

# Check logs
docker-compose logs ultralytics-container

# Restart with rebuild
docker-compose down
docker-compose up --build -d

Streamlit未加载

# Verify container status
docker ps

# Check if files are copied correctly
docker exec ultralytics-container ls -la /ultralytics/

未检测到GPU

# Check NVIDIA drivers
nvidia-smi

# Verify CUDA in container
docker exec ultralytics-container nvidia-smi

🔧 发展

地方发展设置

1. 克隆存储库
2. 安装依赖项： npm install （适用于MCP服务器）
3. 为Streamlit设置Python环境
4. 单独运行服务进行调试

添加新的MCP工具

1. 编辑 src/server.js
2. 在中添加工具定义 tools 数组
3. 在中实现处理程序 handleToolCall
4. 使用N8N集成进行测试

🤝 贡献

1. 分叉存储库
2. 创建特征分支(git checkout -b feature/amazing-feature)
3. 提交更改(git commit -m 'Add amazing feature')
4. 推送到分支(git push origin feature/amazing-feature)
5. 打开拉取请求

📄 许可证

此项目根据AGPL-3.0许可证获得许可-请参阅 Ultralytics许可证 了解详情。

🙏 致谢

• 超锐 -感谢YOLO的出色实施
• N8N -用于工作流自动化平台
• 溪流 -对于漂亮的web界面框架
• 英伟达 -支持CUDA和GPU加速

📞 支持

• 🐛 问题:
• 💬 讨论:
• 📧 联系：创建支持问题

______________________________________________________________________

由以下材料制成❤️ 对于AI社区

🚀 准备好彻底改变您的计算机视觉工作流程了吗？从开始 docker-compose up -d!