JSON

Caraterísticas principais

A estrutura do JSON assenta em dois elementos fundamentais:

1. Pares de chave-valor: Colecções de pares nome/valor, muitas vezes referidas como objectos, dicionários ou arrays associativos em diferentes linguagens de programação. A chave é sempre uma cadeia de caracteres e o valor pode ser uma cadeia de caracteres, um número, um booleano, uma matriz ou outro objeto JSON.
2. Listas ordenadas: Sequências ordenadas de valores, conhecidas como arrays ou listas. Os valores numa matriz podem ser de qualquer tipo de dados JSON válido.

Esta estrutura simples torna os ficheiros JSON fáceis de criar, ler e modificar. É independente da linguagem, o que significa que pode ser utilizado em diferentes linguagens de programação, como Python e plataformas sem problemas de compatibilidade, tornando-o altamente versátil para sistemas distribuídos e microsserviços.

Aplicações em IA e ML

O JSON desempenha um papel crucial em vários aspectos dos fluxos de trabalho de IA e ML:

• Configuração do modelo: Embora o YAML seja frequentemente preferido para configurações complexas devido à sua melhor legibilidade, o JSON é frequentemente utilizado em chamadas de API para especificar parâmetros de configuração ou em ficheiros de configuração mais simples.
• Anotação de dados e conjuntos de dados: Na visão computacional (CV), o JSON é um formato comum para armazenar anotações para tarefas como deteção de objetos e segmentação de imagens. Os ficheiros de anotação contêm frequentemente listas de objectos, cada um com etiquetas de classe, coordenadas de caixa delimitadora ou polígonos de segmentação representados no formato JSON. Muitos conjuntos de dados padrão , como o COCO, utilizam JSON para a sua estrutura de anotação.
• Comunicação API: O JSON é o padrão de facto para a troca de dados em APIs da Web, incluindo as utilizadas em serviços de IA e ML. Ao interagir com modelos de IA alojados através de plataformas de computação em nuvem ou pontos de extremidade dedicados utilizando protocolos como REST, os dados de entrada (por exemplo, URLs de imagens, texto) são frequentemente enviados como uma carga JSON e as previsões do modelo (por exemplo, objectos detectados, probabilidades de classe, pontuações de confiança) são devolvidas no formato JSON. AAPI de inferência Ultralytics utiliza JSON para a formatação de pedidos e respostas.
• Armazenamento de resultados do modelo: Os resultados da inferência ou avaliação do modelo, como classes previstas, caixas delimitadoras ou métricas de desempenho como a precisão média (mAP), podem ser convenientemente armazenados em arquivos JSON. Esse formato estruturado facilita a análise dos resultados, a análise ou a integração em pipelines de MLOps maiores.

Exemplos do mundo real

Eis alguns exemplos que ilustram as aplicações práticas do JSON em IA e ML:

1. Veículos autónomos: Os dados de sensores de câmaras, lidar e radar em carros autónomos precisam frequentemente de ser processados e comunicados entre diferentes componentes do sistema. O JSON pode ser utilizado para estruturar estes dados, representando objectos detectados com os seus tipos, posições, velocidades e níveis de confiança, antes de os alimentar com algoritmos de tomada de decisão, muitas vezes alimentados por modelos de aprendizagem profunda. Empresas como a Waymo dependem de formatos de dados robustos para os seus sistemas complexos.
2. Ultralytics HUB: Ao interagir com o Ultralytics HUB programaticamente através da sua API, os pedidos para iniciar trabalhos de formação, carregar conjuntos de dados ou recuperar métricas de desempenho do modelo envolvem frequentemente o envio e a receção de dados formatados como JSON. Isso permite a integração perfeita dos recursos do HUB em fluxos de trabalho e aplicativos personalizados.

JSON vs. Outros Formatos de Dados

É útil comparar o JSON com outros formatos de serialização de dados comuns:

• YAML (YAML Ain't Markup Language): O YAML prioriza a legibilidade humana e é frequentemente preferido para arquivos de configuração (por exemplo, definir arquiteturas de modelo ou parâmetros de treinamento). Embora o JSON também possa ser usado para configuração, a sintaxe do YAML (usando indentação) é geralmente considerada mais limpa e mais fácil de ler para estruturas aninhadas complexas. O JSON é normalmente preferido para o intercâmbio de dados através de APIs devido às suas regras de análise mais simples e ao seu suporte generalizado.
• XML (eXtensible Markup Language): O XML é outra linguagem de marcação utilizada para codificar documentos num formato que pode ser lido por humanos e por máquinas. Em comparação com o JSON, o XML é mais detalhado devido à utilização de etiquetas de fecho e tende a ser mais complexo de analisar. Embora ainda seja utilizado em sistemas empresariais e em normas específicas como SOAP, o JSON substituiu largamente o XML em aplicações Web e APIs modernas devido à sua simplicidade e menor sobrecarga.

Em suma, a natureza leve do JSON, a legibilidade humana e a facilidade de análise fazem dele um formato altamente eficaz e amplamente adotado para estruturar e trocar dados em sistemas de IA e ML, particularmente para comunicação API e armazenamento de resultados estruturados. A sua compatibilidade entre linguagens de programação garante uma integração harmoniosa em diversas pilhas de tecnologia, desde a anotação de dados e as fases de pré-processamento de dados até à implementação final do modelo utilizando ferramentas como Ultralytics YOLO.