JSON

Caractéristiques principales

La structure de JSON repose sur deux éléments fondamentaux :

1. Paires clé-valeur : Collections de paires nom/valeur, souvent appelées objets, dictionnaires ou tableaux associatifs dans différents langages de programmation. La clé est toujours une chaîne de caractères et la valeur peut être une chaîne de caractères, un nombre, un booléen, un tableau ou un autre objet JSON.
2. Listes ordonnées : Séquences ordonnées de valeurs, appelées tableaux ou listes. Les valeurs d'un tableau peuvent être de n'importe quel type de données JSON valide.

Cette structure simple rend les fichiers JSON faciles à créer, à lire et à modifier. Il est agnostique en termes de langage, ce qui signifie qu'il peut être utilisé dans différents langages de programmation comme Python et sur différentes plateformes sans problème de compatibilité, ce qui le rend très polyvalent pour les systèmes distribués et les microservices.

Applications en IA et ML

JSON joue un rôle crucial dans divers aspects des flux de travail d'IA et de ML :

• Configuration du modèle: Si YAML est souvent préféré pour les configurations complexes en raison de sa meilleure lisibilité, JSON est fréquemment utilisé dans les appels d'API pour spécifier les paramètres de configuration ou dans des fichiers de configuration plus simples.
• Annotation des données et ensembles de données: Dans le domaine de la vision artificielle (CV), JSON est un format courant pour le stockage d'annotations pour des tâches telles que la détection d'objets et la segmentation d'images. Les fichiers d'annotation contiennent souvent des listes d'objets, chacun avec des étiquettes de classe, des coordonnées de boîte englobante ou des polygones de segmentation représentés au format JSON. De nombreux ensembles de données standard tels que COCO utilisent JSON pour leur structure d'annotation.
• Communication API: JSON est la norme de facto pour l'échange de données dans les API web, y compris celles utilisées dans les services d'IA et de ML. Lors de l'interaction avec des modèles d'IA hébergés via des plateformes de cloud computing ou des points d'extrémité dédiés utilisant des protocoles tels que REST, les données d'entrée (par exemple, URL d'images, texte) sont souvent envoyées sous forme de charge utile JSON, et les prédictions du modèle (par exemple, objets détectés, probabilités de classe, scores de confiance) sont renvoyées au format JSON. L'API Ultralytics Inference utilise JSON pour le formatage des requêtes et des réponses.
• Stockage des résultats du modèle: Les résultats de l'inférence ou de l'évaluation du modèle, tels que les classes prédites, les boîtes englobantes ou les mesures de performance comme la précision moyenne (mAP), peuvent être stockés de manière pratique dans des fichiers JSON. Ce format structuré facilite l'analyse des résultats et leur intégration dans des pipelines MLOps plus vastes.

Exemples concrets

Voici quelques exemples illustrant les applications pratiques de JSON dans les domaines de l'intelligence artificielle et de la biologie moléculaire :

1. Véhicules autonomes : Les données de capteurs provenant de caméras, de lidars et de radars dans les voitures autonomes doivent souvent être traitées et communiquées entre les différents composants du système. JSON peut être utilisé pour structurer ces données, représentant les objets détectés avec leurs types, positions, vitesses et niveaux de confiance, avant de les introduire dans des algorithmes de prise de décision, souvent alimentés par des modèles d'apprentissage profond. Des entreprises comme Waymo s'appuient sur des formats de données robustes pour leurs systèmes complexes.
2. Ultralytics HUB : Lors de l'interaction programmatique avec Ultralytics HUB via son API, les requêtes pour lancer des tâches de formation, télécharger des ensembles de données ou récupérer des métriques de performance de modèle impliquent souvent l'envoi et la réception de données formatées en JSON. Cela permet une intégration transparente des capacités du HUB dans les flux de travail et les applications personnalisées.

JSON et les autres formats de données

Il est utile de comparer JSON à d'autres formats courants de sérialisation des données :

• YAML (YAML Ain't Markup Language): YAML privilégie la lisibilité humaine et est souvent préféré pour les fichiers de configuration (par exemple, pour définir les architectures de modèles ou les paramètres d'entraînement). Bien que JSON puisse également être utilisé pour la configuration, la syntaxe de YAML (qui utilise l'indentation) est généralement considérée comme plus propre et plus facile à lire pour les structures complexes imbriquées. JSON est généralement privilégié pour l'échange de données via les API en raison de ses règles d'analyse plus simples et de sa prise en charge généralisée.
• XML (eXtensible Markup Language): XML est un autre langage de balisage utilisé pour coder des documents dans un format lisible par l'homme et par la machine. Par rapport à JSON, XML est plus verbeux en raison de l'utilisation de balises de fermeture et tend à être plus complexe à analyser. Bien qu'il soit encore utilisé dans les systèmes d'entreprise et dans des normes spécifiques comme SOAP, JSON a largement remplacé XML dans les applications web et les API modernes en raison de sa simplicité et de sa faible charge de travail.

En résumé, la légèreté de JSON, sa lisibilité pour l'homme et sa facilité d'analyse en font un format très efficace et largement adopté pour structurer et échanger des données dans les systèmes d'IA et de ML, en particulier pour la communication API et le stockage de résultats structurés. Sa compatibilité avec les langages de programmation garantit une intégration harmonieuse dans diverses piles technologiques, depuis les étapes d'annotation et de prétraitement des données jusqu'au déploiement final du modèle à l'aide d'outils tels qu'Ultralytics YOLO.