JSON

JSON veya JavaScript Object Notation, verileri depolamak ve taşımak için kullanılan hafif, metin tabanlı bir formattır. Yapay zeka ve makine öğrenimi dünyasında, sunucular, web uygulamaları ve inference engines arasında veri değişimi için evrensel bir standart görevi görür. Anahtar-değer çiftleri ve sıralı listelerden oluşan yapısı, insanlar tarafından kolayca okunup yazılabilirken, makineler tarafından da zahmetsizce ayrıştırılıp oluşturulabilir. Dil bağımsız olduğu için JSON, Python ile eğitilmiş bir model ile JavaScript, C++ veya Go üzerinde çalışan bir dağıtım ortamı arasında sorunsuz iletişimi kolaylaştırır.

Link to this sectionAI İş Akışlarında ve Dağıtımda JSON#

Bir bilgisayarlı görü modeli üretime alındığında, genellikle diğer yazılım bileşenleriyle bir REST API aracılığıyla etkileşime girer. Örneğin, bir gözetim sistemi bir object detection modeli çalıştıran sunucuya bir video karesi gönderdiğinde, sunucu görüntüyü analiz eder ve sonuçları döndürür. Sunucu ikili bir görüntü göndermek yerine, bounding boxes koordinatlarını, tespit edilen sınıf isimlerini ve bunlarla ilişkili confidence skorlarını içeren bir JSON dizgisiyle yanıt verir. Bu metin tabanlı yanıt, frontend panelleri, mobil uygulamalar veya günlük kaydı ve analitik için MongoDB gibi NoSQL databases tarafından kolayca tüketilir.

Çıkarımın ötesinde JSON, training data yapılandırmak için kritik öneme sahiptir. Popüler COCO dataset formatı; görüntü dosya yollarını, lisans bilgilerini ve etiketleme koordinatlarını tanımlamak için kapsamlı bir JSON şeması kullanır. Bu, basit boşlukla ayrılmış metin dosyalarını kullanan YOLO TXT formatı gibi diğer formatlarla tezat oluşturur. Ultralytics Platform üzerindeki gelişmiş araçlar, buluttaki karmaşık proje meta verilerini ve veri seti sürümlerini yönetmek için genellikle JSON kullanır.

Link to this sectionModel Tahminlerini JSON'a Dönüştürme#

Modern çerçeveler, data serialization sürecini basitleştirerek geliştiricilerin model çıktılarını doğrudan JSON olarak dışa aktarmalarına olanak tanır. ultralytics kütüphanesi, tespit sonuçlarını serileştirmek için yerleşik yöntemler sunar ve YOLO26 modellerini daha geniş yazılım ekosistemlerine entegre etmeyi kolaylaştırır.

Aşağıdaki örnek, bir YOLO26 modeliyle nasıl çıkarım yapılacağını ve tespit sonuçlarının standart bir JSON dizgisine nasıl dönüştürüleceğini göstermektedir:

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 ve İlgili Formatlar#

JSON, web development ve API tasarımında her yerde bulunsa da, onu Deep Learning iş akışlarında yaygın olarak karşılaşılan diğer veri serileştirme formatlarından ayırmak önemlidir.

• JSON vs. YAML: YAML, maksimum insan okunabilirliği için tasarlanmıştır ve yorum satırlarını destekler, bu da onu yapılandırma dosyaları için tercih edilen seçenek haline getirir. Örneğin, Ultralytics'teki hyperparameter tuning ayarları veya veri seti yolları .yaml dosyalarında tanımlanır. JSON daha katıdır, yorum satırlarını desteklemez ve makineler tarafından ayrıştırılması genellikle daha hızlıdır, bu da onu veri iletimi ve API yanıtları için daha uygun hale getirir.
• 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 sectionStandardizasyon ve Birlikte Çalışabilirlik#

The widespread adoption of JSON fosters interoperability between diverse tools. Whether exporting instance segmentation masks, storing image classification labels, or configuring a model deployment pipeline, JSON ensures that data remains structured and accessible. Its role extends to GeoJSON, a specialized format for encoding geographic data structures, which is frequently used in satellite image analysis to map detected objects onto geographical coordinates. By leveraging Python's built-in json library, developers can easily validate, parse, and manipulate these data structures to build robust AI applications.