JSON

JSON（JavaScript Object Notation）は、データの保存や転送に使用される軽量なテキストベースのフォーマットです。AIや機械学習の分野において、サーバー、Webアプリケーション、inference engines間のデータ交換における普遍的な標準として機能します。キーと値のペアおよび順序付きリストで構成されるその構造は、人間にとって読み書きが容易であると同時に、マシンによる解析や生成も容易です。言語に依存しないため、JSONはPythonで学習されたモデルと、JavaScript、C++、Goで実行されるデプロイ環境との間でシームレスな通信を可能にします。

Link to this sectionAIパイプラインとデプロイにおけるJSON#

コンピュータビジョンモデルが本番環境にデプロイされる際、通常はREST APIを介して他のソフトウェアコンポーネントと対話します。例えば、監視システムがビデオフレームをobject detectionモデルを実行しているサーバーに送信すると、サーバーはその画像を解析して結果を返します。サーバーはバイナリ画像をそのまま返すのではなく、bounding boxesの座標、検出されたクラス名、およびそれに関連するconfidenceスコアを含むJSON文字列を応答します。このテキストベースの応答は、フロントエンドのダッシュボードやモバイルアプリ、あるいはロギングや分析のためにMongoDBのようなNoSQL databasesによって容易に取り込まれます。

推論以外にも、JSONはtraining dataの構造化に不可欠です。広く普及しているCOCO datasetフォーマットは、包括的なJSONスキーマを使用して画像ファイルのパス、ライセンス情報、およびアノテーション座標を定義します。これは、単純なスペース区切りのテキストファイルを使用するYOLO TXTフォーマットなどの他のフォーマットとは対照的です。Ultralytics Platform上の高度なツールは、クラウド内での複雑なプロジェクトメタデータやデータセットのバージョン管理にJSONを頻繁に活用しています。

Link to this sectionモデル予測のJSONへの変換#

現代のフレームワークはdata serializationのプロセスを簡素化しており、開発者がモデルの出力を直接JSONへエクスポートできるようにしています。ultralyticsライブラリには、検出結果をシリアル化するための組み込みメソッドが用意されており、YOLO26モデルをより大規模なソフトウェアエコシステムへ統合することが非常に簡単になっています。

次の例では、YOLO26モデルで推論を実行し、検出結果を標準化されたJSON文字列に変換する方法を説明します：

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と関連フォーマットの比較#

JSONはweb developmentやAPI設計において遍在していますが、Deep Learningワークフローで一般的に遭遇する他のデータシリアル化フォーマットと区別することが重要です。

• JSON vs YAML: YAMLは人間にとっての可読性を最大化するように設計されており、コメントをサポートしているため、設定ファイルに適しています。例えば、Ultralyticsにおけるhyperparameter tuningの設定やデータセットのパスは、.yamlファイルで定義されます。JSONはより厳格でコメントをサポートしておらず、一般的にマシンによる解析が高速であるため、データ送信やAPI応答により適しています。
• 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 While it was once the standard for datasets like Pascal VOC, it has largely been superseded by JSON in modern Machine Learning Operations (MLOps) due to JSON's smaller file size and simpler syntax.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 section標準化と相互運用性#

JSONの広範な採用は、多様なツール間の相互運用性を促進します。instance segmentationマスクのエクスポート、image classificationラベルの保存、model deploymentパイプラインの構成のいずれにおいても、JSONはデータが構造化され、アクセス可能な状態を維持することを保証します。その役割は、地理的データ構造をエンコードするための専門的なフォーマットであるGeoJSONにも及んでおり、これはsatellite image analysisにおいて検出されたオブジェクトを地理座標上にマッピングするために頻繁に使用されます。Pythonの組み込みjson libraryを活用することで、開発者はこれらのデータ構造を簡単に検証、解析、操作して、堅牢なAIアプリケーションを構築できます。