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, actúa como un estándar universal para el intercambio de datos entre servidores, aplicaciones web y inference engines. Su estructura, compuesta por pares de clave-valor y listas ordenadas, es fácil de leer y escribir para las personas, a la vez que resulta muy sencilla de analizar y generar para las máquinas. Al ser independiente del lenguaje, JSON facilita una comunicación fluida entre un modelo entrenado en Python y un entorno de implementación que ejecute JavaScript, C++ o Go.

JSON en pipelines de IA y despliegue#

Cuando un modelo de visión artificial se despliega en producción, normalmente interactúa con otros componentes de software a través de una REST API. Por ejemplo, cuando un sistema de vigilancia envía un fotograma de vídeo a un servidor que ejecuta un modelo de object detection, el servidor analiza la imagen y devuelve los resultados. En lugar de enviar una imagen binaria, el servidor responde con una cadena JSON que contiene las coordenadas de las bounding boxes, los nombres de las clases detectadas y sus puntuaciones de confidence asociadas. Esta respuesta basada en texto es consumida fácilmente por paneles de control frontend, aplicaciones móviles o NoSQL databases como MongoDB para el registro y el análisis.

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

Conversión de predicciones de modelos a JSON#

Los frameworks modernos simplifican el proceso de data serialization, permitiendo a los desarrolladores exportar las salidas de los modelos directamente a JSON. La biblioteca ultralytics proporciona métodos integrados para serializar los resultados de detección, lo que facilita la integración de los 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 es omnipresente en el web development y el diseño de API, es importante distinguirlo de otros formatos de serialización de datos que se encuentran habitualmente en los flujos de trabajo de Deep Learning.

• JSON vs. YAML: YAML está diseñado para ofrecer la máxima legibilidad humana y admite comentarios, lo que lo convierte en la opción preferida para los archivos de configuración. Por ejemplo, los ajustes de hyperparameter tuning o las rutas de los conjuntos de datos en Ultralytics se definen en archivos de .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 vs. XML: XML utiliza una estructura detallada basada en etiquetas. Aunque en su día fue el estándar para conjuntos de datos como Pascal VOC, ha sido desplazado en gran medida por JSON en las operaciones modernas de Machine Learning Operations (MLOps) debido al menor tamaño de archivo y la sintaxis más simple de JSON.

Estandarización e interoperabilidad#

La adopción generalizada de JSON fomenta la interoperabilidad entre diversas herramientas. Ya sea exportando máscaras de instance segmentation, almacenando etiquetas de image classification o configurando un pipeline de model deployment, JSON garantiza que los datos permanezcan estructurados y accesibles. Su papel se extiende a GeoJSON, un formato especializado para codificar estructuras de datos geográficas, que se utiliza con frecuencia en el satellite image analysis para mapear objetos detectados en coordenadas geográficas. Al aprovechar el json library integrado en Python, los desarrolladores pueden validar, analizar y manipular fácilmente estas estructuras de datos para construir aplicaciones de IA robustas.