JSON

JSON, o JavaScript Object Notation, es un formato ligero basado en texto que se utiliza para almacenar y transportar datos. En el ámbito de la inteligencia artificial y el aprendizaje automático, sirve como estándar universal para el intercambio de datos entre servidores, aplicaciones web y motores de inferencia. Su estructura, compuesta por pares clave-valor y listas ordenadas, es fácil de leer y escribir para las personas, y sencilla de analizar y generar para las máquinas. Al ser independiente del lenguaje, JSON facilita la comunicación fluida entre un modelo entrenado en Python y un entorno de implementación que se ejecuta en JavaScript, C++ o Go.

JSON en las canalizaciones de IA y la implementación#

Cuando un modelo de visión artificial se implementa en producción, normalmente interactúa con otros componentes de software mediante una REST API. Por ejemplo, cuando un sistema de vigilancia envía un fotograma de vídeo a un servidor que ejecuta un modelo de detección de objetos, el servidor analiza la imagen y devuelve los resultados. En lugar de devolver una imagen binaria, el servidor responde con una cadena JSON que contiene las coordenadas de los cuadros delimitadores, los nombres de las clases detectadas y sus puntuaciones de confianza asociadas. Esta respuesta basada en texto se puede utilizar fácilmente en paneles frontend, aplicaciones móviles o bases de datos NoSQL como MongoDB para el registro y el análisis.

Más allá de la inferencia, JSON es fundamental para estructurar los datos de entrenamiento. El popular formato del conjunto de datos COCO utiliza un esquema JSON completo para definir las rutas de los archivos de imagen, la información de las licencias y las coordenadas de las anotaciones. Esto contrasta con otros formatos, como el formato YOLO TXT, que utiliza archivos de texto sencillos con elementos separados por espacios. Las herramientas avanzadas de la Ultralytics Platform suelen utilizar JSON para gestionar metadatos complejos de proyectos y el versionado de conjuntos de datos en la nube.

Conversión de predicciones de modelos a JSON#

Los frameworks modernos simplifican el proceso de serialización de datos, lo que permite a los desarrolladores exportar directamente a JSON las salidas de los modelos. La biblioteca ultralytics proporciona métodos integrados para serializar los resultados de detección, lo que facilita la integración de modelos YOLO26 en ecosistemas de software más amplios.

El siguiente ejemplo muestra cómo ejecutar la inferencia con un modelo Ultralytics YOLO26 y convertir los resultados de detección en una cadena JSON estandarizada:

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 frente a formatos relacionados#

Aunque JSON está presente en todas partes en el desarrollo web y el diseño de API, es importante distinguirlo de otros formatos de serialización de datos habituales en los flujos de trabajo de Deep Learning.

• JSON frente a YAML: YAML está diseñado para ofrecer la máxima legibilidad para las personas y admite comentarios, por lo que es la opción preferida para los archivos de configuración. Por ejemplo, la configuración del ajuste de hiperparámetros o las rutas de los conjuntos de datos en Ultralytics se definen en archivos .yaml. JSON es más estricto, no admite comentarios y, por lo general, las máquinas lo analizan más rápido, por lo que es más adecuado para la transmisión de datos y las respuestas de API.
• JSON frente a XML: XML utiliza una estructura detallada basada en etiquetas. Aunque en su día fue el estándar para conjuntos de datos como Pascal VOC, en gran medida JSON lo ha sustituido en las operaciones modernas de aprendizaje automático (MLOps), gracias a su menor tamaño de archivo y su sintaxis más sencilla.

Estandarización e interoperabilidad#

La adopción generalizada de JSON fomenta la interoperabilidad entre herramientas diversas. Ya sea para exportar máscaras de segmentación de instancias, almacenar etiquetas de clasificación de imágenes o configurar una canalización de implementación de modelos, JSON garantiza que los datos permanezcan estructurados y accesibles. Su función se extiende a GeoJSON, un formato especializado para codificar estructuras de datos geográficos, que se utiliza con frecuencia en el análisis de imágenes por satélite para asignar objetos detectados a coordenadas geográficas. Al aprovechar la biblioteca json integrada en Python, los desarrolladores pueden validar, analizar y manipular fácilmente estas estructuras de datos para crear aplicaciones de IA robustas.