JSON

JSON、すなわち 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形式です。人工知能や機械学習の分野では、サーバー、Webアプリケーション、推論エンジン間でデータを交換するための汎用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しやすく、機械にとっても簡単に解析・生成できます。言語に依存しないため、JSONはPythonでトレーニングされたモデルと、JavaScript、C++、またはGoで実行されるデプロイ環境とのシームレスな通信を実現します。

AIパイプラインとデプロイにおけるJSON#

コンピュータービジョンモデルを本番環境にデプロイする場合、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連携します。たとえば、監視システムが物体検出モデルを実行しているサーバーにビデオフレームを送信すると、サーバーは画像を解析して結果を返します。バイナリ画像を送り返す代わりに、サーバーはバウンディングボックスの座標、検出されたクラス名、およびそれらに対応する信頼度スコアを含むJSON文字列を応答として返します。このテキストベースの応答は、フロントエンドダッシュボード、モバイルアプリ、またはロギングや分析に使用されるMongoDBなどのNoSQLデータベースで簡単に利用できます。

推論以外にも、JSONはトレーニングデータの構造化に不可欠です。広く利用されているCOCOデータセット形式では、画像ファイルのパス、ライセンス情報、アノテーション座標を定義する包括的なJSONスキーマを使用します。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形式とは対照的です。Ultralytics Platformの高度なツールでは、複雑なプロジェクトメタデータやクラウド上のデータセットのバージョン管理にJSONを利用することがよくあります。

モデル予測をJSONに変換する#

最新のフレームワークでは、データシリアライゼーションのプロセスが簡素化され、モデルの出力をJSONに直接エクスポートできます。ultralyticsライブラリには、検出結果をシリアライズする組み込みメソッドが用意されているため、YOLO26モデルをより大規模なソフトウェアエコシステムに簡単に統合できます。

次の例では、Ultralytics 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示します。

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.")

JSONと関連形式の比較#

JSONはWeb開発やAPI設計で広く使用されていますが、Deep Learningワークフローで一般的に使用される他のデータシリアライゼーション形式と区別することが重要です。

• JSONとYAMLの比較: YAMLは人間による可読性を最大限に高めるよう設計されており、コメントにも対応しているため、設定ファイルに適しています。たとえば、Ultralyticsのハイパーパラメータチューニング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に対応しておらず、一般に機械による解析も高速であるため、データ転送やAPIレスポンスに適しています。
• JSONとXMLの比較: XMLは冗長なタグベースの構造を使用します。かつてはPascal VOCなどのデータセットで標準的に使用されていましたが、ファイルサイズが小さく構文がシンプルなJSONにより、現代の機械学習オペレーション (MLOps)では大部分が置き換えられています。

標準化と相互運用性#

JSONが広く採用されていることで、さまざまなツール間の相互運用性が促進されます。インスタンスセグメンテーションマスクのエクスポート、画像分類ラベルの保存、またはモデルデプロイパイプラインの設定など、JSONによってデータの構造化とアクセス性が確保されます。その役割は、地理データ構造のエンコードに特化した形式であるGeoJSONにも及びます。GeoJSONは、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、衛星画像分析で頻繁に使用されます。Python組み込みのjsonライブラリを活用することで、開発者はこれらのデータ構造を簡単に検証、解析、操作し、堅牢なAIアプリケーションを構築できます。