JSON

Le JSON, ou JavaScript Object Notation, est un format léger basé sur le 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 serveurs, applications web et 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 simple à analyser et à générer pour les machines. Parce qu'il est indépendant du langage, le JSON facilite une communication fluide entre un modèle entraîné en Python et un environnement de déploiement fonctionnant sur JavaScript, C++ ou Go.

Link to this sectionLe JSON dans les pipelines IA et le déploiement#

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 boîtes englobantes, les noms des classes détectées et leurs scores de confiance associés. Cette réponse textuelle est facilement exploitée par des tableaux de bord front-end, des applications mobiles ou des bases de données NoSQL comme MongoDB pour la journalisation et l'analyse.

Au-delà de l'inférence, le JSON est essentiel pour structurer les données d'entraînement. Le format populaire COCO dataset utilise un schéma JSON complet pour définir les chemins des fichiers images, les informations de licence et les coordonnées des annotations. Cela contraste avec d'autres formats comme le format YOLO TXT, qui utilise de simples fichiers texte séparés par des espaces. Les outils avancés sur la Ultralytics Platform utilisent souvent le JSON pour gérer des métadonnées de projet complexes et le versionnage de jeux de données dans le cloud.

Link to this sectionConversion des prédictions de modèle en JSON#

Les frameworks modernes simplifient le processus de sérialisation des données, permettant aux développeurs d'exporter les sorties de modèles directement en JSON. La bibliothèque ultralytics fournit des méthodes intégrées pour sérialiser les résultats de détection, rendant simple l'intégration des modèles YOLO26 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.")

Link to this sectionJSON vs formats apparentés#

Bien que le 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 rencontrés dans les flux de travail de Deep Learning.

• JSON vs YAML : YAML est conçu pour une lisibilité humaine maximale et prend en charge les commentaires, ce qui en fait le choix privilégié pour les fichiers de configuration. Par exemple, les paramètres de réglage des hyperparamètres ou les chemins de jeux de données dans Ultralytics sont définis dans des fichiers .yaml. Le 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 mieux adapté à la transmission de données et aux réponses API.
• JSON vs. XML: XML utilizes a verbose tag-based structure. While it was once the standard for datasets like Pascal VOC, it has largely been superseded by JSON in modern Machine Learning Operations (MLOps) due to JSON's smaller file size and simpler syntax.

Link to this sectionStandardisation et interopérabilité#

L'adoption généralisée du JSON favorise l'interopérabilité entre des outils divers. Qu'il s'agisse d'exporter des masques de segmentation d'instance, de stocker des étiquettes de classification d'image ou de configurer un pipeline de déploiement de modèle, le JSON garantit que les données restent structurées et accessibles. Son rôle s'étend au GeoJSON, un format spécialisé pour encoder les structures de données géographiques, fréquemment utilisé dans l'analyse d'images satellites pour mapper les objets détectés sur des coordonnées géographiques. En exploitant la bibliothèque json intégrée à Python, tu peux facilement valider, analyser et manipuler ces structures de données pour construire des applications IA robustes.