YOLO MCP

在浏览器中标注图片、训练 YOLO，通过 MCP 让 AI 客户端操作同一套工作流。

YOLO MCP 将图片管理、人工标注、AI 辅助标注和 YOLO26 目标检测训练放在一个本地应用中。你可以用网页准备数据和训练模型，也可以让支持 MCP 的 AI 客户端查询项目、上传图片、保存标注和发起训练。

快速开始 · 使用流程 · 连接 MCP · 文档

主要功能

• 图片标注：批量上传图片，绘制和编辑目标框，查看标注状态，划分训练集和测试集。
• AI 辅助标注：使用 YOLO26、Florence-2、GroundingDINO 或 SAM 3 生成候选标注，检查并保存结果。
• YOLO26 训练：配置初始权重和训练参数，查看训练记录、指标与日志，下载模型，继续下一轮标注。
• MCP 工具：让 AI 客户端操作项目、图片、标注、AI 批次和训练记录。
• 多人协作：管理员管理账号和访问令牌，项目拥有者邀请协作者共同标注与训练。

图片、标注、模型和训练记录保存在本机，默认目录为 ~/.yolo-mcp/。当前支持图片目标检测，训练算法为 YOLO26。

快速开始

需要 Python 3.11 或更新版本。

python -m pip install yolo-mcp
yolo-mcp --host 127.0.0.1 --port 8000

打开 http://127.0.0.1:8000，按页面提示初始化管理员账号，即可创建项目并开始标注。安装包已包含网页。

训练和 AI 推理需要额外准备模型依赖及权重，见模型与 GPU 环境。已有 CUDA 或 AMD ROCm 环境时，请在该环境中安装并启动服务。

python -m pip install ./yolo_mcp-2.0.1-py3-none-any.whl
yolo-mcp --host 127.0.0.1 --port 8000

使用流程

1. 创建项目：设置名称和标注类别。
2. 上传图片：批量选择图片，划分训练集和测试集。
3. 完成标注：手动绘制目标框，或选择 AI 模型生成候选框，再检查并保存。
4. 开始训练：选择 YOLO26 初始权重，设置 Epoch 等参数并提交。
5. 使用模型：在训练记录中查看结果、下载权重，或将产出模型用于后续 AI 标注。

开始训练时，训练集和测试集都需要至少一张已完成标注的图片。每次训练保留当时的数据快照。参数和数据格式见训练指南。

连接 MCP

先启动 YOLO MCP，在网页右上角账号菜单中打开 “访问令牌 / MCP”，创建个人访问令牌。

在支持 Streamable HTTP 和自定义请求头的 MCP 客户端中添加以下配置，将占位符替换为自己的令牌：

{
  "mcpServers": {
    "yolo-mcp": {
      "url": "http://127.0.0.1:8000/mcp",
      "headers": {
        "Authorization": "Bearer <个人访问令牌>"
      }
    }
  }
}

连接后，可以这样向 AI 客户端提出请求：

查看项目 1 的训练集和测试集，确认是否满足训练条件。满足时，用 YOLO26s 训练 20 个 Epoch，图片尺寸 640、batch 2；随后查询训练状态和日志。

客户端会调用对应工具；训练在后台执行，可以继续查询状态。工具与网页共用用户和项目权限。更多说明见账号、权限与 MCP。

文档

致谢与许可证

YOLO MCP 基于 LabelU（1.5.6，8681ca4）、LabelU-Kit（v5.12.0，d06cb1f5）和 Ultralytics 开发。开放词汇标注接入参考了 LabelU 模型服务，截图使用 Ultralytics 示例图片。

项目使用 Apache-2.0 许可证，前端保留上游许可证。第三方模型与权重遵循各自许可。