OpenCV MCP Server
by GongRzhe
Procesamiento de imagen y vídeo con visión por computador mediante asistentes de IA
ai-ml Python Intermedio Auto-hospedable Sin API key
⭐ 96 stars 📅 Actualizado: hace 6m
Descripción
Un servidor MCP que proporciona las capacidades de procesamiento de imagen y vídeo de OpenCV. Ofrece más de 22 herramientas que cubren operaciones básicas de imagen (redimensionar, recortar, conversión de color), procesamiento (filtros, detección de bordes, umbralización, contornos), visión por computador (detección de características con SIFT/ORB/BRISK, detección facial, detección de objetos YOLO), y procesamiento de vídeo (extracción de frames, detección de movimiento, seguimiento de objetos, integración con webcam). Soporta detección en cámara en tiempo real y generación de salida de vídeo.
✅ Ideal para
Desarrolladores que necesitan capacidades de visión por computador accesibles mediante asistentes de IA
⏭️ No recomendado si
Solo necesitas redimensionamiento básico de imágenes o prefieres una API de visión en la nube
💡 Casos de uso
- Analizar y procesar imágenes mediante comandos de asistente de IA
- Detectar objetos y caras en imágenes y streams de vídeo
- Extraer y emparejar características entre múltiples imágenes
- Procesar vídeo para detección de movimiento y seguimiento de objetos
- Detección de objetos en tiempo real con webcam
👍 Ventajas
- ✓ Conjunto completo de más de 22 herramientas cubriendo imagen, vídeo y visión por computador
- ✓ Integración con cámara en tiempo real para procesamiento en vivo
- ✓ Múltiples métodos de detección (SIFT, ORB, BRISK, YOLO, cascadas Haar)
- ✓ Sin API key — procesamiento completamente local
👎 Desventajas
- ✗ Dependencias pesadas (OpenCV, numpy, modelos DNN opcionales)
- ✗ Los archivos de modelo YOLO necesitan descarga separada para detección de objetos
- ✗ El procesamiento de vídeo puede ser intensivo en CPU
🔧 Herramientas expuestas (11 herramientas)
| Tool | Categoría | Descripción |
|---|---|---|
| detect_features_tool | computer-vision | Extracción de características usando algoritmos SIFT, ORB y BRISK |
| detect_faces_tool | computer-vision | Detección facial vía cascadas Haar y modelos DNN |
| detect_objects_tool | computer-vision | Reconocimiento de objetos basado en YOLO en imágenes |
| resize_image_tool | image-basics | Escalar imágenes a dimensiones especificadas |
| apply_filter_tool | image-processing | Aplicar filtros de desenfoque, gaussiano, mediana y bilateral |
| detect_edges_tool | image-processing | Detección de bordes vía métodos Canny, Sobel, Laplacian y Scharr |
| detect_contours_tool | image-processing | Localizar y visualizar contornos en imágenes |
| extract_video_frames_tool | video-processing | Extraer secuencias de frames de archivos de vídeo |
| detect_motion_tool | video-processing | Analizar movimiento entre frames consecutivos de vídeo |
| track_object_tool | video-processing | Monitoreo de trayectoria de objetos en múltiples frames |
| detect_camera_objects_tool | video-processing | Detección de objetos en tiempo real con webcam |
💡 Consejos y trucos
Configura OPENCV_DNN_MODELS_DIR al directorio de tus modelos para detección YOLO. Usa detect_features_tool con SIFT para mejor precisión u ORB para velocidad.
Info rápida
- Autor
- GongRzhe
- Licencia
- MIT
- Runtime
- Python 3.10+
- Transporte
- stdio
- Categoría
- ai-ml
- Dificultad
- Intermedio
- Auto-hospedable
- ✅
- Auth
- —
- Docker
- —
- Versión
- 1.0.0
- Actualizado
- 11 sept 2025
Compatibilidad con clientes
- ❓ Claude Code
- ❓ Cursor
- ❓ VS Code Copilot
- ❓ Gemini CLI
- ❓ Windsurf
- ❓ Cline
- ❓ JetBrains AI
- ❓ Warp
Enlaces
Plataformas
🍎 macOS 🐧 Linux 🪟 Windows