JSON

JSON oder JavaScript Object Notation ist ein leichtgewichtiges, textbasiertes Format zum Speichern und Übertragen von Daten. Im Bereich der künstlichen Intelligenz und des maschinellen Lernens dient es als universeller Standard für den Datenaustausch zwischen Servern, Webanwendungen und Inferenz-Engines. Seine aus Schlüssel-Wert-Paaren und geordneten Listen bestehende Struktur ist für Menschen leicht zu lesen und zu schreiben und kann von Maschinen mühelos analysiert und erzeugt werden. Da JSON sprachunabhängig ist, ermöglicht es eine nahtlose Kommunikation zwischen einem in Python trainierten Modell und einer Bereitstellungsumgebung, die JavaScript, C++ oder Go verwendet.

JSON in KI-Pipelines und bei der Bereitstellung#

Wenn ein Computer-Vision-Modell in einer Produktionsumgebung bereitgestellt wird, interagiert es typischerweise über eine REST API mit anderen Softwarekomponenten. Wenn beispielsweise ein Überwachungssystem ein Videobild an einen Server mit einem Objekterkennungsmodell sendet, analysiert der Server das Bild und gibt die Ergebnisse zurück. Statt ein Binärbild zurückzusenden, antwortet der Server mit einer JSON-Zeichenfolge, die die Koordinaten der Begrenzungsrahmen, die Namen der erkannten Klassen und die zugehörigen Konfidenzwerte enthält. Diese textbasierte Antwort kann problemlos von Frontend-Dashboards, mobilen Apps oder NoSQL-Datenbanken wie MongoDB für Protokollierung und Analysen verarbeitet werden.

Über die Inferenz hinaus ist JSON für die Strukturierung von Trainingsdaten von entscheidender Bedeutung. Das beliebte Format des COCO-Datensatzes verwendet ein umfassendes JSON-Schema zur Definition von Bilddateipfaden, Lizenzinformationen und Koordinaten von Annotationen. Dies steht im Gegensatz zu anderen Formaten wie dem YOLO-TXT-Format, das einfache, durch Leerzeichen getrennte Textdateien verwendet. Fortschrittliche Tools auf der Ultralytics Platform nutzen JSON häufig, um komplexe Projektmetadaten und die Versionierung von Datensätzen in der Cloud zu verwalten.

Modellvorhersagen in JSON konvertieren#

Moderne Frameworks vereinfachen die Datenserialisierung und ermöglichen es Entwicklern, Modellausgaben direkt als JSON zu exportieren. Die Bibliothek ultralytics bietet integrierte Methoden zur Serialisierung von Erkennungsergebnissen und erleichtert so die Integration von YOLO26-Modellen in größere Softwareökosysteme.

Das folgende Beispiel zeigt, wie du mit einem Ultralytics YOLO26-Modell eine Inferenz ausführst und die Erkennungsergebnisse in eine standardisierte JSON-Zeichenfolge konvertierst:

import json

from ultralytics import YOLO

# Load the YOLO26 model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Convert the first result object to a JSON string
# This serializes boxes, classes, and confidence scores
json_output = results[0].tojson()

# Parse back to a dict to verify structure
data = json.loads(json_output)
print(f"Detected {len(data)} objects.")

JSON im Vergleich zu verwandten Formaten#

Obwohl JSON in der Webentwicklung und beim API-Design allgegenwärtig ist, muss es von anderen Datenserialisierungsformaten unterschieden werden, die häufig in Workflows des Deep Learning vorkommen.

• JSON im Vergleich zu YAML: YAML ist auf maximale Lesbarkeit für Menschen ausgelegt und unterstützt Kommentare, weshalb es häufig für Konfigurationsdateien bevorzugt wird. Beispielsweise werden Einstellungen für die Hyperparameteroptimierung oder Datensatzpfade in Ultralytics in .yaml-Dateien definiert. JSON ist strenger, unterstützt keine Kommentare und kann im Allgemeinen schneller von Maschinen analysiert werden, wodurch es sich besser für die Datenübertragung und API-Antworten eignet.
• JSON im Vergleich zu XML: XML verwendet eine ausführliche, auf Tags basierende Struktur. Obwohl es einst der Standard für Datensätze wie Pascal VOC war, wurde es im modernen Bereich der Betriebsabläufe für maschinelles Lernen (MLOps) aufgrund der geringeren Dateigröße und der einfacheren Syntax von JSON weitgehend abgelöst.

Standardisierung und Interoperabilität#

Die weitverbreitete Nutzung von JSON fördert die Interoperabilität zwischen verschiedenen Tools. Ob beim Exportieren von Masken für die Instanzsegmentierung, beim Speichern von Labels für die Bildklassifizierung oder beim Konfigurieren einer Pipeline für die Modellbereitstellung – JSON stellt sicher, dass Daten strukturiert und zugänglich bleiben. Seine Rolle erstreckt sich auch auf GeoJSON, ein spezialisiertes Format zur Codierung geografischer Datenstrukturen, das häufig bei der Analyse von Satellitenbildern verwendet wird, um erkannte Objekte geografischen Koordinaten zuzuordnen. Mithilfe der in Python integrierten json-Bibliothek können Entwickler diese Datenstrukturen problemlos validieren, analysieren und bearbeiten, um robuste KI-Anwendungen zu entwickeln.