JSON

JSON, или JavaScript Object Notation, — это легкий текстовый формат, используемый для хранения и передачи данных. В сфере искусственного интеллекта и машинного обучения он служит универсальным стандартом обмена данными между серверами, веб-приложениями и inference engines. Его структура, состоящая из пар «ключ-значение» и упорядоченных списков, легко читается и пишется людьми, а также без усилий парсится и генерируется машинами. Поскольку JSON не зависит от языка программирования, он обеспечивает беспрепятственное взаимодействие между моделью, обученной на Python, и средой развертывания, работающей на JavaScript, C++ или Go.

Link to this sectionJSON в AI-конвейерах и развертывании#

Когда модель компьютерного зрения развертывается в продакшн, она обычно взаимодействует с другими программными компонентами через REST API. Например, когда система наблюдения отправляет кадр видео на сервер, где работает модель object detection, сервер анализирует изображение и возвращает результаты. Вместо отправки бинарного изображения сервер отвечает JSON-строкой, содержащей координаты bounding boxes, названия обнаруженных классов и соответствующие им оценки confidence. Этот текстовый ответ легко обрабатывается фронтенд-дашбордами, мобильными приложениями или NoSQL databases, такими как MongoDB, для логирования и аналитики.

Помимо вывода (inference), JSON критически важен для структурирования training data. Популярный формат COCO dataset использует комплексную JSON-схему для определения путей к файлам изображений, информации о лицензии и координат аннотаций. Это отличается от других форматов, таких как YOLO TXT, который использует простые текстовые файлы с разделителями в виде пробелов. Продвинутые инструменты на Ultralytics Platform часто используют JSON для управления сложными метаданными проектов и версионированием наборов данных в облаке.

Link to this sectionПреобразование предсказаний модели в JSON#

Современные фреймворки упрощают процесс data serialization, позволяя разработчикам экспортировать выходные данные модели напрямую в JSON. Библиотека ultralytics предоставляет встроенные методы для сериализации результатов обнаружения, что упрощает интеграцию моделей YOLO26 в более крупные программные экосистемы.

Следующий пример демонстрирует, как запустить вывод с моделью YOLO26 и преобразовать результаты обнаружения в стандартизированную JSON-строку:

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 против других форматов#

Хотя JSON повсеместно распространен в web development и проектировании API, важно отличать его от других форматов сериализации данных, часто встречающихся в рабочих процессах Deep Learning.

• JSON против YAML: YAML разработан для максимальной читаемости человеком и поддерживает комментарии, что делает его предпочтительным выбором для файлов конфигурации. Например, настройки hyperparameter tuning или пути к наборам данных в Ultralytics определяются в файлах .yaml. JSON более строгий, не поддерживает комментарии и, как правило, быстрее парсится машинами, что делает его лучше подходящим для передачи данных и ответов API.
• 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 sectionСтандартизация и интероперабельность#

Широкое распространение JSON способствует интероперабельности между различными инструментами. Независимо от того, экспортируешь ли ты маски instance segmentation, хранишь метки image classification или настраиваешь конвейер model deployment, JSON гарантирует, что данные остаются структурированными и доступными. Его роль распространяется на GeoJSON — специализированный формат для кодирования географических структур данных, который часто используется в satellite image analysis для отображения обнаруженных объектов на географических координатах. Используя встроенную библиотеку Python json library, разработчики могут легко проверять, парсить и манипулировать этими структурами данных для создания надежных AI-приложений.