v2.3.0：本地识图 MCP——DeepSeek 看图 + 多图支持（OCR / 检测 / 分割 / 对比）

v2.3.0 本地识图 MCP：DeepSeek 看图 + 多图支持

给 DeepSeek 等纯文本模型补上本地"看图"能力：Ollama 视觉模型描述 + PaddleOCR 文字识别 + YOLO 检测/分割 + 零样本检测 + 颜色/模板定位 + 裁切放大 + 多图逐张/拼图对比，图片全程不出本机。

功能总览（12 个工具）

• analyze_image：本地视觉模型看图；file_paths 多图自动逐张完整分析后合并返回（图1/图2…标签），quick / detailed 双模式
• compare_images：新增。用户明确要求"对比 / 有什么区别"时，多图按编号拼成网格、一次分析异同
• ocr_extract：PaddleOCR 场景文字识别（含坐标框），未装自动回退 Windows OCR
• detect_objects / segment_objects / detect_by_text：YOLO 检测 / 分割 / 零样本检测
• cv_locate：颜色分割 / 模板匹配定位，不依赖深度学习模型
• crop_image / draw_bounding_box / image_info：裁切放大、画框验证、尺寸信息
• list_local_models / vision_status：模型列表与一键排障

v2.3.0 更新内容

新增

• 多图支持：analyze_image(file_paths=[...]) 逐张独立分析后合并返回，不再静默丢弃第二张
• compare_images 对比工具：多图拼成带编号的网格图，一次分析异同（拼接会缩小单图，细节请逐张分析）
• 基准测试套件：47 个合成用例 + 指标报告（OCR / 颜色定位 / 模板匹配 / 裁切 / 输入校验），可复现
• 英文 README（README.en.md）+ 首页英文简介；中文 Issue 模板；ROADMAP
• 边界与纵深测试：test_edge_cases.py（22 项）+ test_robustness.py（28 项），全量 87 项离线测试

修复

• EXIF 方向：手机竖拍照片在分析 / 裁切 / 定位中自动转正
• 非法颜色明确报错，不再静默降级为红色
• crop_image 放大输出上限 50MP，防止内存被撑爆
• 裁切右 / 下边界允许取到 w/h（原来永远少 1 像素）
• 透明 PNG 在拼图 / 画框中以白色打底，不再黑底
• OLLAMA_HOST 带路径（如代理地址）时端口追加错位
• PaddleOCR 结果解析器对畸形条目逐条防御，不再整页失败

测试

• 87 项离线测试全部通过；基准 44/47（3 个失败为 Windows OCR 真实误读，PaddleOCR无此误读：金额→全额、O→0、新→亲斤）

快速上手

powershell -ExecutionPolicy Bypass -File setup.ps1 -Extras

文档

• 部署与常见问题：https://github.com/Yuhang-uestc/deepvision-local-mcp/blob/master/docs/部署与常见问题.md
• 架构说明：https://github.com/Yuhang-uestc/deepvision-local-mcp/blob/master/docs/架构说明.md
• Roadmap：https://github.com/Yuhang-uestc/deepvision-local-mcp/blob/master/ROADMAP.md

许可

• 项目代码：MIT License
• 模型权重（yolov8*.pt 等）为 Ultralytics AGPL-3.0 许可，首次调用自动下载，不随仓库分发

本地识图 MCP：DeepSeek 看图 + OCR/检测/分割

给 DeepSeek 等纯文本模型补上本地"看图"能力：Ollama 视觉模型描述 + PaddleOCR 文字识别 + YOLO 检测/分割 + 零样本检测 + 颜色/模板定位 + 裁切放大，图片全程不出本机。

功能总览（11 个工具）

• analyze_image：本地视觉模型看图，quick / detailed 双模式（默认 4B / 8B，自动回退）
• ocr_extract：PaddleOCR 场景文字识别（含坐标框），未装时自动回退 Windows OCR
• detect_objects：YOLO 检测 COCO 80 类常见物体
• segment_objects：YOLO 像素级分割，遮挡数人 / 面积量算
• detect_by_text：YOLOE / YOLO-World 零样本检测，用文字描述找任意物体
• cv_locate：颜色分割 / 模板匹配定位，不依赖深度学习模型
• crop_image / draw_bounding_box / image_info：裁切放大、画框验证、尺寸信息
• list_local_models / vision_status：模型列表与一键排障

更新内容

新增

• vision_status 诊断工具：一键查看版本、Ollama 连通性、模型就绪情况、可选依赖、缓存/重试配置
• 结果缓存：相同图片 + 相同参数自动命中缓存，第二次调用秒回
• Ollama 瞬时故障自动重试（429/5xx/网络抖动，指数退避）
• 返回内容带"不可信数据"前缀，防止图片内文字提示注入
• 输入校验：要求绝对路径 + 按文件真实内容校验格式
• 可选大图缩放：LOCAL_VISION_MAX_DIMENSION（默认关闭，防 detailed 卡死）
• PaddleOCR 初始化加锁，避免并发首次初始化互相踩缓存

快速上手

powershell -ExecutionPolicy Bypass -File setup.ps1

文档

• 部署与常见问题：https://github.com/Yuhang-uestc/deepvision-local-mcp/blob/master/docs/部署与常见问题.md
• 架构说明：https://github.com/Yuhang-uestc/deepvision-local-mcp/blob/master/docs/架构说明.md

许可

• 项目代码：MIT License
• 模型权重（yolov8*.pt 等）为 Ultralytics AGPL-3.0 许可，首次调用自动下载，不随仓库分发