JSON

Le 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 du machine learning, il sert de norme universelle pour l'échange de données entre des serveurs, des applications web et des inference engines. 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 la communication fluide entre un modèle entraîné en Python et un environnement de déploiement exécutant du JavaScript, du C++ ou du Go.

Le 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 d'object detection, 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 bounding boxes, les noms des classes détectées et leurs scores de confidence associés. Cette réponse textuelle est facilement exploitée par des tableaux de bord front-end, des applications mobiles ou des NoSQL databases comme MongoDB pour la journalisation et l'analyse.

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

Conversion des prédictions de modèle en JSON#

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

L'exemple suivant montre comment exécuter une inférence avec un modèle Ultralytics 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 apparentés#

Bien que le JSON soit omniprésent dans le web development 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 : Le 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 hyperparameter tuning ou les chemins de datasets 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 d'API.
• JSON vs. XML : Le XML utilise une structure verbeuse basée sur des balises. Bien qu'il ait autrefois été la norme pour des datasets comme le Pascal VOC, il a été largement remplacé par le JSON dans les Machine Learning Operations (MLOps) modernes en raison de la taille de fichier plus petite et de la syntaxe plus simple du JSON.

Standardisation et interopérabilité#

L'adoption généralisée du JSON favorise l'interopérabilité entre divers outils. Qu'il s'agisse d'exporter des masques d'instance segmentation, de stocker des étiquettes d'image classification ou de configurer un pipeline de model deployment, le JSON garantit que les données restent structurées et accessibles. Son rôle s'étend au GeoJSON, un format spécialisé pour l'encodage de structures de données géographiques, fréquemment utilisé dans l'satellite image analysis pour cartographier des objets détectés sur des coordonnées géographiques. En tirant parti de la bibliothèque json library intégrée de Python, les développeurs peuvent facilement valider, analyser et manipuler ces structures de données pour créer des applications d'IA robustes.