JSON

JSON, ovvero la notazione degli oggetti JavaScript, è un formato leggero basato su testo utilizzato per archiviare e trasferire dati. Nell'ambito dell'intelligenza artificiale e del machine learning, funge da standard universale per lo scambio di dati tra server, applicazioni web e motori di inferenza. La sua struttura, composta da coppie chiave-valore ed elenchi ordinati, è facile da leggere e scrivere per gli esseri umani, mentre le macchine possono analizzarla e generarla senza difficoltà. Poiché è indipendente dal linguaggio, JSON facilita la comunicazione fluida tra un modello addestrato in Python e un ambiente di deployment basato su JavaScript, C++ o Go.

JSON nelle pipeline di intelligenza artificiale e nel deployment#

Quando un modello di computer vision viene distribuito in produzione, in genere interagisce 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 rilevamento degli oggetti, il server analizza l'immagine e restituisce i risultati. Invece di inviare un'immagine binaria, il server risponde con una stringa JSON contenente le coordinate dei riquadri di delimitazione, i nomi delle classi rilevate e i relativi punteggi di confidenza. Questa risposta basata su testo può essere facilmente utilizzata da dashboard frontend, app mobili o database NoSQL come MongoDB per la registrazione e l'analisi.

Oltre all'inferenza, JSON è fondamentale per strutturare i dati di addestramento. Il popolare formato del dataset COCO utilizza uno schema JSON completo per definire i percorsi dei file immagine, le informazioni sulle licenze e le coordinate delle annotazioni. Questo differisce da altri formati come il formato YOLO TXT, che utilizza semplici file di testo con valori separati da spazi. Gli strumenti avanzati della piattaforma Ultralytics utilizzano spesso JSON per gestire metadati complessi dei progetti e il versionamento dei dataset nel cloud.

Conversione delle predizioni dei modelli in JSON#

I framework moderni semplificano il processo di serializzazione dei dati, consentendo agli sviluppatori di esportare direttamente in JSON gli output dei modelli. La libreria ultralytics fornisce metodi integrati per serializzare i risultati del rilevamento, semplificando l'integrazione dei modelli [YOLO26](https://ultralytics-translation-2.invalid in ecosistemi software più ampi.

L'esempio seguente mostra come eseguire l'inferenza con un modello Ultralytics YOLO26 e convertire i risultati del 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 a confronto con i formati correlati#

Sebbene JSON sia onnipresente nello sviluppo web e nella progettazione delle API, è importante distinguerlo dagli altri formati di serializzazione dei dati comunemente utilizzati nei flussi di lavoro di Deep Learning.

• JSON e YAML a confronto: YAML è progettato per garantire la massima leggibilità per gli esseri umani e supporta i commenti, motivo per cui è la scelta preferita per i file di configurazione. Ad esempio, le impostazioni per il tuning degli iperparametri o i percorsi dei dataset in Ultralytics sono definiti nei file .yaml. JSON è più rigido, non supporta i commenti ed è generalmente più veloce da analizzare per le macchine, risultando quindi più adatto alla trasmissione dei dati e alle risposte delle API.
• JSON e XML a confronto: XML utilizza una struttura dettagliata basata su tag. Sebbene fosse un tempo lo standard per dataset come Pascal VOC, è stato in gran parte sostituito da JSON nelle moderne operazioni di machine learning (MLOps) grazie alle dimensioni dei file più contenute e alla sintassi più semplice di JSON.

Standardizzazione e interoperabilità#

L'ampia adozione di JSON favorisce l'interoperabilità tra strumenti diversi. Che si tratti di esportare maschere di segmentazione delle istanze, archiviare etichette di classificazione delle immagini o configurare una pipeline di deployment del modello, JSON garantisce che i dati rimangano strutturati e accessibili. Il suo ruolo si estende a GeoJSON, un formato specializzato per la codifica delle strutture di dati geografici, utilizzato frequentemente nell'analisi delle immagini satellitari per mappare gli oggetti rilevati sulle coordinate geografiche. Sfruttando la libreria json integrata in Python, gli sviluppatori possono convalidare, analizzare e manipolare facilmente queste strutture di dati per creare applicazioni di intelligenza artificiale robuste.