JSON

JSON, ou Notação de Objetos JavaScript, é um formato leve e baseado em texto usado para armazenar e transportar dados. No âmbito da inteligência artificial e da aprendizagem automática, funciona como um padrão universal para o intercâmbio de dados entre servidores, aplicações Web e motores de inferência. A sua estrutura, composta por pares chave-valor e listas ordenadas, é fácil de ler e escrever para as pessoas, além de ser simples de analisar e gerar para as máquinas. Por ser independente da linguagem, JSON facilita a comunicação contínua entre um modelo treinado em Python e um ambiente de implementação executado em JavaScript, C++ ou Go.

JSON em pipelines de IA e implementação#

Quando um modelo de visão computacional é implementado em produção, normalmente interage com outros componentes de software através de uma REST API. Por exemplo, quando um sistema de videovigilância envia um fotograma de vídeo para um servidor que executa um modelo de deteção de objetos, o servidor analisa a imagem e devolve os resultados. Em vez de enviar uma imagem binária, o servidor responde com uma cadeia JSON que contém as coordenadas das caixas delimitadoras, os nomes das classes detetadas e as respetivas pontuações de confiança. Esta resposta baseada em texto é facilmente consumida por dashboards de frontend, aplicações móveis ou bases de dados NoSQL, como o MongoDB, para registo e análise.

Para além da inferência, JSON é fundamental para estruturar dados de treino. O popular formato do dataset COCO utiliza um esquema JSON abrangente para definir caminhos de ficheiros de imagem, informações de licença e coordenadas de anotações. Isto contrasta com outros formatos, como o formato YOLO TXT, que utiliza ficheiros de texto simples com valores separados por espaços. As ferramentas avançadas da Ultralytics Platform utilizam frequentemente JSON para gerir metadados complexos de projetos e o versionamento de datasets na cloud.

Converter previsões de modelos para JSON#

As frameworks modernas simplificam o processo de serialização de dados, permitindo aos programadores exportar diretamente as saídas dos modelos para JSON. A biblioteca ultralytics fornece métodos integrados para serializar resultados de deteção, facilitando a integração de modelos YOLO26 em ecossistemas de software maiores.

O exemplo seguinte demonstra como executar a inferência com um modelo Ultralytics YOLO26 e converter os resultados da deteção numa cadeia JSON normalizada:

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. formatos relacionados#

Embora JSON seja omnipresente no desenvolvimento Web e na conceção de APIs, é importante distingui-lo de outros formatos de serialização de dados habitualmente encontrados em fluxos de trabalho de Deep Learning.

• JSON vs. YAML: YAML foi concebido para oferecer a máxima legibilidade humana e suporta comentários, o que faz dele a escolha preferida para ficheiros de configuração. Por exemplo, as definições de ajuste de hiperparâmetros ou os caminhos de datasets na Ultralytics são definidos em ficheiros .yaml. JSON é mais rigoroso, não suporta comentários e, em geral, é mais rápido de analisar pelas máquinas, sendo mais adequado para a transmissão de dados e respostas de APIs.
• JSON vs. XML: XML utiliza uma estrutura detalhada baseada em etiquetas. Embora tenha sido anteriormente o padrão para datasets como o Pascal VOC, foi amplamente substituído por JSON nas modernas operações de aprendizagem automática (MLOps), devido ao menor tamanho dos ficheiros e à sintaxe mais simples do JSON.

Normalização e interoperabilidade#

A adoção generalizada do JSON promove a interoperabilidade entre ferramentas diversas. Quer se trate de exportar máscaras de segmentação de instâncias, armazenar etiquetas de classificação de imagens ou configurar um pipeline de implementação de modelos, JSON garante que os dados permanecem estruturados e acessíveis. O seu papel estende-se ao GeoJSON, um formato especializado para codificar estruturas de dados geográficos, utilizado frequentemente na análise de imagens de satélite para mapear objetos detetados em coordenadas geográficas. Ao utilizar a biblioteca json integrada do Python, os programadores podem validar, analisar e manipular facilmente estas estruturas de dados para criar aplicações de IA robustas.