JSON

JSON, o JavaScript Object Notation, è un formato leggero basato su testo utilizzato per memorizzare e trasferire dati. Nel campo dell'intelligenza artificiale e del machine learning, funge da standard universale per lo scambio di dati tra server, applicazioni Web e inference engines. La sua struttura, composta da coppie chiave-valore ed elenchi ordinati, è facile da leggere e scrivere per gli esseri umani e al contempo semplice da analizzare e generare per le macchine. Poiché è indipendente dal linguaggio, JSON facilita la comunicazione trasparente tra un modello addestrato in Python e un ambiente di distribuzione basato su JavaScript, C++ o Go.

JSON nelle pipeline AI e nella distribuzione#

Quando un modello di visione artificiale viene distribuito in produzione, interagisce tipicamente con altri componenti software tramite una REST API. Ad esempio, quando un sistema di sorveglianza invia un fotogramma video a un server che esegue un modello di object detection, il server analizza l'immagine e restituisce i risultati. Invece di restituire un'immagine binaria, il server risponde con una stringa JSON contenente le coordinate dei bounding boxes, i nomi delle classi rilevate e i relativi punteggi di confidence. Questa risposta basata su testo viene facilmente consumata da dashboard frontend, app mobili o NoSQL databases come MongoDB per la registrazione e l'analisi.

Oltre all'inferenza, JSON è fondamentale per strutturare i training data. Il popolare formato del COCO dataset utilizza uno schema JSON completo per definire i percorsi dei file di immagine, le informazioni sulla licenza e le coordinate delle annotazioni. Questo contrasta con altri formati come il formato YOLO TXT, che utilizza semplici file di testo separati da spazi. Strumenti avanzati sulla Ultralytics Platform utilizzano spesso JSON per gestire metadati complessi di progetti e il controllo delle versioni dei dataset nel cloud.

Conversione delle predizioni del modello in JSON#

I framework moderni semplificano il processo di data serialization, consentendo agli sviluppatori di esportare gli output dei modelli direttamente in JSON. La libreria ultralytics fornisce metodi integrati per serializzare i risultati di rilevamento, rendendo semplice l'integrazione dei modelli YOLO26 in ecosistemi software più ampi.

Il seguente esempio mostra come eseguire l'inferenza con un modello Ultralytics YOLO26 e convertire i risultati di rilevamento in una stringa JSON standardizzata:

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. formati correlati#

Sebbene JSON sia onnipresente nello web development e nella progettazione di API, è importante distinguerlo da altri formati di serializzazione dei dati comunemente presenti nei flussi di lavoro di Deep Learning.

• JSON vs. YAML: YAML è progettato per la massima leggibilità umana e supporta i commenti, rendendolo la scelta preferita per i file di configurazione. Ad esempio, le impostazioni di hyperparameter tuning o i percorsi dei dataset in Ultralytics sono definiti nei file .yaml. JSON è più rigoroso, non supporta i commenti ed è generalmente più veloce da analizzare per le macchine, risultando più adatto alla trasmissione di dati e alle risposte API.
• JSON vs. XML: XML utilizza una struttura basata su tag prolissa. Sebbene un tempo fosse lo standard per dataset come Pascal VOC, è stato ampiamente sostituito da JSON nel moderno Machine Learning Operations (MLOps) a causa delle dimensioni di file inferiori e della sintassi più semplice di JSON.

Standardizzazione e interoperabilità#

La diffusa adozione di JSON favorisce l'interoperabilità tra strumenti diversi. Che si tratti di esportare maschere di instance segmentation, memorizzare etichette di image classification o configurare una pipeline di model deployment, JSON assicura che i dati rimangano strutturati e accessibili. Il suo ruolo si estende a GeoJSON, un formato specializzato per la codifica di strutture di dati geografici, frequentemente utilizzato nell'satellite image analysis per mappare gli oggetti rilevati su coordinate geografiche. Sfruttando la json library integrata di Python, gli sviluppatori possono facilmente convalidare, analizzare e manipolare queste strutture di dati per creare applicazioni di IA robuste.