JSON

JSON, ou JavaScript Object Notation, est un format léger, basé sur du texte, utilisé pour stocker et transporter des données. Dans le domaine de l'intelligence artificielle et de l'apprentissage automatique, il sert de norme universelle pour l'échange de données entre les serveurs, les applications web et les moteurs d'inférence. Sa structure, composée de paires clé-valeur et de listes ordonnées, est facile à lire et à écrire pour les humains, tout en étant facile à analyser et à générer pour les machines. Comme il est indépendant du langage, JSON facilite la communication transparente entre un modèle formé en Python un environnement de déploiement fonctionnant sous JavaScript, C++ ou Go.

JSON dans les pipelines et le déploiement de l'IA

Lorsqu'un modèle de vision par ordinateur est déployé en production, il interagit généralement avec d'autres composants logiciels via une REST API. Par exemple, lorsqu'un système de surveillance envoie une image vidéo à un serveur exécutant un modèle de détection d'objets, le serveur analyse l'image et renvoie les résultats. Au lieu de renvoyer une image binaire, le serveur répond avec une chaîne JSON contenant les coordonnées des rectangles de sélection, les noms des classes détectées et leurs scores de confiance associés. Cette réponse textuelle est facilement exploitée par les tableaux de bord frontaux, les applications mobiles ou les bases de données NoSQL telles que MongoDB pour la journalisation et l'analyse.

Au-delà de l'inférence, JSON est essentiel pour structurer les données d'entraînement. Le format COCO utilise un schéma JSON complet pour définir les chemins d'accès aux fichiers image, les informations de licence et les coordonnées d'annotation. Cela contraste avec d'autres formats tels que le format YOLO , qui utilise de simples fichiers texte séparés par des espaces. Les outils avancés de Ultralytics utilisent souvent JSON pour gérer les métadonnées de projets complexes et la gestion des versions des ensembles de données dans le cloud.

Conversion des prédictions du modèle au format JSON

Les cadres modernes simplifient le processus de sérialisation des données, permettant aux développeurs d'exporter les résultats des modèles directement au format JSON. Le ultralytics La bibliothèque fournit des méthodes intégrées pour sérialiser les résultats de détection, ce qui facilite l'intégration. YOLO26 modèles dans des écosystèmes logiciels plus vastes.

L'exemple suivant montre comment exécuter une inférence avec un modèle YOLO26 et convertir les résultats de détection en une chaîne JSON standardisée :

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 vs formats associés

Bien que JSON soit omniprésent dans le développement web et la conception d'API , il est important de le distinguer des autres formats de sérialisation de données couramment utilisés dans les workflows de Deep Learning.

• JSON vs YAML: YAML est conçu pour une lisibilité maximale et prend en charge les commentaires, ce qui en fait le choix privilégié pour les fichiers de configuration. Par exemple, Réglage des hyperparamètres paramètres ou ensemble de données Les chemins d'accès dans Ultralytics définis dans .yaml fichiers. JSON est plus strict, ne prend pas en charge les commentaires et est généralement plus rapide à analyser pour les machines, ce qui le rend plus adapté à la transmission de données et aux réponses API.
• JSON vs XML: XML utilise une structure verbeuse basée sur des balises. Alors qu'il était autrefois la norme pour les ensembles de données tels que Pascal VOC, il a été largement supplanté par JSON dans les opérations modernes d'apprentissage automatique (MLOps) en raison de la taille réduite des fichiers JSON et de leur syntaxe plus simple.

Normalisation et interopérabilité

L'adoption généralisée du format JSON favorise l'interopérabilité entre divers outils. Que ce soit pour l'exportation segmentation d'instance masques, stockage classification des images étiquettes, ou configurer un déploiement du modèle pipeline, JSON garantit que les données restent structurées et accessibles. Son rôle s'étend à GeoJSON, un format spécialisé pour l'encodage des structures de données géographiques, fréquemment utilisé dans analyse d'images satellites pour mapper les objets détectés sur des coordonnées géographiques. En tirant parti des fonctionnalités intégrées Python json bibliothèque, les développeurs peuvent facilement valider, analyser et manipuler ces structures de données pour créer des applications d'IA robustes.