JSON

JSON, o JavaScript Object Notation, è un formato leggero basato su testo utilizzato per archiviare e trasportare 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, pur essendo semplice da analizzare e generare per le macchine. Poiché è indipendente dal linguaggio, JSON facilita una comunicazione fluida tra un modello addestrato in Python e un ambiente di distribuzione che esegue JavaScript, C++ o Go.

Link to this sectionJSON nelle pipeline AI e nella distribuzione#

Quando un modello di computer vision viene distribuito in produzione, interagisce solitamente 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 rimandare indietro 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 il logging e l'analisi.

Oltre all'inferenza, JSON è fondamentale per strutturare i training data. Il popolare formato COCO dataset utilizza uno schema JSON completo per definire i percorsi dei file immagine, le informazioni sulla licenza e le coordinate delle annotazioni. Ciò 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 progetto e il versionamento dei dataset nel cloud.

Link to this sectionConversione delle predizioni del modello in JSON#

I framework moderni semplificano il processo di data serialization, consentendo agli sviluppatori di esportare gli output del modello 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 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.")

Link to this sectionJSON 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 incontrati 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 in file .yaml. JSON è più rigoroso, non supporta i commenti ed è generalmente più veloce da analizzare per le macchine, rendendolo più adatto alla trasmissione di dati e alle risposte 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 sectionStandardizzazione e interoperabilità#

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