JSON

JSON, hay Ký hiệu Đối tượng JavaScript, là một định dạng văn bản nhẹ, được sử dụng để lưu trữ và vận chuyển dữ liệu. Được thiết kế để con người dễ đọc và viết, đồng thời cũng dễ dàng cho máy móc phân tích và tạo dữ liệu, JSON đã trở thành tiêu chuẩn thực tế cho việc trao đổi dữ liệu trong điện toán hiện đại. Tính chất độc lập với ngôn ngữ cho phép JSON hoạt động liền mạch trên nhiều môi trường lập trình khác nhau, biến nó thành công nghệ nền tảng cho các ứng dụng web và các hệ thống Trí tuệ Nhân tạo (AI) phức tạp.

Cấu trúc cốt lõi của JSON

Dữ liệu JSON được tổ chức thành hai cấu trúc chính phản ánh các kiểu dữ liệu phổ biến có trong hầu hết các ngôn ngữ:

• Các đối tượng: Đây là các tập hợp không có thứ tự của các cặp khóa-giá trị được đặt trong dấu ngoặc nhọn {}Trong bối cảnh AI, một đối tượng có thể biểu diễn siêu dữ liệu của một hình ảnh duy nhất, trong đó khóa là chuỗi (ví dụ: "tên tệp", "chiều rộng") và giá trị là dữ liệu tương ứng.
• Mảng: Đây là danh sách các giá trị được sắp xếp theo thứ tự được đặt trong dấu ngoặc vuông []. Mảng thường được sử dụng để lưu trữ danh sách các dự đoán, chẳng hạn như nhiều bounding box (khung giới hạn) tọa độ được phát hiện trong một khung hình duy nhất.

Cú pháp được định nghĩa theo tiêu chuẩn ECMA-404 , đảm bảo tính nhất quán trên các nền tảng khác nhau. Để tìm hiểu sâu hơn về sơ đồ cú pháp, hãy tham khảo tài liệu chính thức của JSON.org .

Các ứng dụng trong AI và học máy

Trong quy trình làm việc học máy (ML) , JSON đóng vai trò là cầu nối quan trọng giữa các giai đoạn khác nhau của quy trình, từ tiền xử lý dữ liệu đến triển khai mô hình cuối cùng. Tính linh hoạt của JSON cho phép nó xử lý dữ liệu có cấu trúc cần thiết cho quá trình đào tạo và các kết quả đầu ra động được tạo ra trong quá trình suy luận.

Chú thích tập dữ liệu

Một trong những ứng dụng phổ biến nhất của JSON trong thị giác máy tính là xử lý chú thích dữ liệu . Các chuẩn mực phổ biến, chẳng hạn như tập dữ liệu COCO , sử dụng cấu trúc JSON cụ thể để ánh xạ hình ảnh với các nhãn tương ứng. Một tệp chú thích điển hình chứa thông tin về hình ảnh, danh mục và chú thích, trong đó mỗi chú thích bao gồm ID lớp, mặt nạ phân đoạn và tọa độ khung giới hạn.

Suy luận mô hình và API

Khi một mô hình đã được đào tạo được triển khai vào môi trường sản xuất bằng các kỹ thuật phục vụ mô hình , nó thường giao tiếp với các thành phần phần mềm khác thông qua REST API . Ví dụ: một ứng dụng có thể gửi một hình ảnh đến máy chủ chạy Ultralytics YOLO11 . Máy chủ sẽ xử lý hình ảnh và trả về kết quả dự đoán—lớp, điểm tin cậy và dữ liệu vị trí—được định dạng dưới dạng chuỗi JSON. Đầu ra này dễ dàng được sử dụng bởi các ứng dụng front-end, cơ sở dữ liệu hoặc hệ thống điều khiển robot .

Ví dụ sau đây minh họa cách tạo đầu ra JSON từ kết quả suy luận bằng cách sử dụng ultralytics Python bưu kiện:

from ultralytics import YOLO

# Load the YOLO11 model
model = YOLO("yolo11n.pt")

# Run inference on a sample image
results = model("https://ultralytics.com/images/bus.jpg")

# Convert the first result object to a JSON string
# This serializes detection data including boxes, classes, and confidence
print(results[0].tojson())

JSON so với các định dạng dữ liệu liên quan

Mặc dù JSON rất phổ biến, nhưng điều quan trọng là phải phân biệt nó với các định dạng tuần tự hóa dữ liệu khác thường gặp trong các dự án ML.

• YAML (YAML không phải là ngôn ngữ đánh dấu) : YAML được thiết kế để có thể dễ đọc nhất đối với con người và hỗ trợ các chú thích, khiến nó trở thành lựa chọn ưu tiên cho các tệp cấu hình. Trong Ultralytics hệ sinh thái, YAML được sử dụng để xác định đường dẫn tập dữ liệu và điều chỉnh siêu tham số , trong khi JSON được ưu tiên sử dụng để trao đổi dữ liệu và phản hồi API do cú pháp nghiêm ngặt và phân tích cú pháp nhanh hơn.
• XML (Ngôn ngữ Đánh dấu Mở rộng) : XML sử dụng cấu trúc dựa trên thẻ tương tự như HTML. Mặc dù mạnh mẽ và hỗ trợ các lược đồ phức tạp, XML lại dài dòng hơn đáng kể so với JSON. Trong các quy trình học sâu hiện đại, XML phần lớn đang được thay thế bằng JSON, mặc dù nó vẫn tồn tại trong các hệ thống cũ và các định dạng cụ thể như Pascal. VOC để phát hiện đối tượng .

Sự liên quan trong các ngăn xếp AI hiện đại

Việc áp dụng JSON trong AI mở rộng sang các thư viện vượt ra ngoài tầm nhìn. Các framework như TensorFlow .js cho phép lưu và tải mô hình trực tiếp dưới dạng tệp JSON, hỗ trợ học máy dựa trên trình duyệt. Ngoài ra, các cơ sở dữ liệu NoSQL như MongoDB , lưu trữ dữ liệu dưới dạng tài liệu dạng JSON, ngày càng được sử dụng rộng rãi để quản lý các kho dữ liệu phi cấu trúc khổng lồ cần thiết cho việc đào tạo các mô hình nền tảng .

Bằng cách cung cấp một định dạng chuẩn hóa, gọn nhẹ và dễ đọc, JSON giúp đơn giản hóa sự phức tạp của việc triển khai mô hình và đảm bảo khả năng tương tác giữa các công cụ đa dạng tạo nên hệ sinh thái AI hiện đại. Đối với các nhà phát triển quan tâm đến việc phân tích cú pháp JSON trong môi trường web, Mạng lưới Nhà phát triển Mozilla (MDN) cung cấp các hướng dẫn và tài liệu mở rộng.