JSON

Características principales

La estructura de JSON se basa en dos elementos fundamentales:

1. Pares clave-valor: Colecciones de pares nombre/valor, a menudo denominadas objetos, diccionarios o matrices asociativas en distintos lenguajes de programación. La clave siempre es una cadena, y el valor puede ser una cadena, un número, un booleano, una matriz u otro objeto JSON.
2. Listas ordenadas: Secuencias ordenadas de valores, conocidas como matrices o listas. Los valores de una matriz pueden ser de cualquier tipo de datos JSON válido.

Esta estructura sencilla hace que los archivos JSON sean fáciles de crear, leer y modificar. Es agnóstico al lenguaje, lo que significa que puede utilizarse en diferentes lenguajes de programación como Python y plataformas sin problemas de compatibilidad, lo que lo hace muy versátil para sistemas distribuidos y microservicios.

Aplicaciones en IA y ML

JSON desempeña un papel crucial en varios aspectos de los flujos de trabajo de IA y ML:

• Configuración de modelos: Aunque a menudo se prefiere YAML para configuraciones complejas debido a su mayor legibilidad, JSON se utiliza con frecuencia en las llamadas a la API para especificar parámetros de configuración o dentro de archivos de configuración más sencillos.
• Anotación de datos y conjuntos de datos: En visión por ordenador (VC), JSON es un formato habitual para almacenar anotaciones para tareas como la detección de objetos y la segmentación de imágenes. Los archivos de anotación suelen contener listas de objetos, cada uno con etiquetas de clase, coordenadas de caja delimitadora o polígonos de segmentación representados en formato JSON. Muchos conjuntos de datos estándar como COCO utilizan JSON para su estructura de anotación.
• Comunicación API: JSON es la norma de facto para el intercambio de datos en las API web, incluidas las utilizadas en los servicios de IA y ML. Cuando se interactúa con modelos de IA alojados en plataformas de computación en nube o puntos finales dedicados que utilizan protocolos como REST, los datos de entrada (por ejemplo, URL de imágenes, texto) suelen enviarse como carga útil JSON, y las predicciones del modelo (por ejemplo, objetos detectados, probabilidades de clase, puntuaciones de confianza) se devuelven en formato JSON.La API de Inferencia Ultralytics utiliza JSON para el formato de solicitud y respuesta.
• Almacenamiento de los resultados del modelo: Los resultados de la inferencia o evaluación del modelo, como las clases predichas, los cuadros delimitadores o las métricas de rendimiento como la Precisión Media (mAP), pueden almacenarse cómodamente en archivos JSON. Este formato estructurado facilita el análisis sintáctico, el análisis o la integración de los resultados en procesos MLOps más amplios.

Ejemplos reales

He aquí un par de ejemplos que ilustran las aplicaciones prácticas de JSON en IA y ML:

1. Vehículos autónomos: Los datos de los sensores de las cámaras, el lidar y el radar de los coches autónomos a menudo deben procesarse y comunicarse entre los distintos componentes del sistema. JSON puede utilizarse para estructurar estos datos, representando los objetos detectados con sus tipos, posiciones, velocidades y niveles de confianza, antes de introducirlos en los algoritmos de toma de decisiones, a menudo impulsados por modelos de aprendizaje profundo. Empresas como Waymo confían en formatos de datos robustos para sus complejos sistemas.
2. Ultralytics HUB: Al interactuar con Ultralytics HUB mediante programación a través de su API, las solicitudes para iniciar trabajos de entrenamiento, cargar conjuntos de datos o recuperar métricas de rendimiento de modelos suelen implicar el envío y la recepción de datos formateados como JSON. Esto permite una integración perfecta de las capacidades del HUB en flujos de trabajo y aplicaciones personalizados.

JSON frente a otros formatos de datos

Es útil comparar JSON con otros formatos habituales de serialización de datos:

• YAML (YAML no es un lenguaje de marcado): YAML da prioridad a la legibilidad humana y suele preferirse para archivos de configuración (por ejemplo, para definir arquitecturas de modelos o parámetros de entrenamiento). Aunque JSON también puede utilizarse para la configuración, la sintaxis de YAML (que utiliza sangría) se considera generalmente más limpia y fácil de leer para estructuras anidadas complejas. JSON suele preferirse para el intercambio de datos a través de API, debido a sus reglas de análisis más sencillas y a su amplia compatibilidad.
• XML (Lenguaje de marcado eXtensible): XML es otro lenguaje de marcado utilizado para codificar documentos en un formato legible tanto por humanos como por máquinas. Comparado con JSON, XML es más verboso debido a su uso de etiquetas de cierre y tiende a ser más complejo de analizar. Aunque todavía se utiliza en sistemas empresariales y en estándares específicos como SOAP, JSON ha sustituido en gran medida a XML en las aplicaciones web y las API modernas, debido a su simplicidad y menor sobrecarga.

En resumen, la naturaleza ligera de JSON, su legibilidad humana y su facilidad de análisis sintáctico lo convierten en un formato muy eficaz y ampliamente adoptado para estructurar e intercambiar datos en sistemas de IA y ML, especialmente para la comunicación API y el almacenamiento de resultados estructurados. Su compatibilidad con distintos lenguajes de programación garantiza una integración sin problemas en diversas pilas tecnológicas, desde la anotación de datos y las fases de preprocesamiento de datos hasta el despliegue final del modelo mediante herramientas como Ultralytics YOLO.