JSON

JSON, hoặc JavaScript Object Notation, là một định dạng nhẹ dựa trên văn bản được sử dụng để lưu trữ và truyền tải dữ liệu. Trong lĩnh vực trí tuệ nhân tạo và học máy, nó đóng vai trò là tiêu chuẩn phổ quát để trao đổi dữ liệu giữa các máy chủ, ứng dụng web và inference engines. Cấu trúc của nó, bao gồm các cặp khóa-giá trị và danh sách có thứ tự, giúp con người dễ đọc và viết, đồng thời giúp máy tính phân tích và tạo ra một cách dễ dàng. Vì không phụ thuộc vào ngôn ngữ, JSON tạo điều kiện giao tiếp liền mạch giữa một model được huấn luyện bằng Python và môi trường triển khai chạy trên JavaScript, C++, hoặc Go.

JSON trong các AI Pipeline và Triển khai#

Khi một computer vision model được đưa vào vận hành thực tế, nó thường tương tác với các thành phần phần mềm khác thông qua REST API. Chẳng hạn, khi một hệ thống giám sát gửi một khung hình video đến máy chủ chạy một object detection model, máy chủ sẽ phân tích hình ảnh và trả về kết quả. Thay vì gửi lại một hình ảnh nhị phân, máy chủ phản hồi bằng một chuỗi JSON chứa tọa độ của các bounding boxes, tên lớp được phát hiện và điểm số confidence tương ứng của chúng. Phản hồi dựa trên văn bản này có thể được dễ dàng tiếp nhận bởi các bảng điều khiển frontend, ứng dụng di động, hoặc các NoSQL databases như MongoDB để ghi log và phân tích.

Ngoài inference, JSON đóng vai trò quan trọng trong việc cấu trúc training data. Định dạng COCO dataset phổ biến sử dụng một lược đồ JSON toàn diện để định nghĩa đường dẫn tệp hình ảnh, thông tin giấy phép và tọa độ chú thích. Điều này trái ngược với các định dạng khác như định dạng YOLO TXT, vốn sử dụng các tệp văn bản phân tách bằng khoảng trắng đơn giản. Các công cụ nâng cao trên Ultralytics Platform thường sử dụng JSON để quản lý siêu dữ liệu dự án phức tạp và phiên bản tập dữ liệu trên đám mây.

Chuyển đổi dự đoán của model sang JSON#

Các framework hiện đại đơn giản hóa quy trình data serialization, cho phép các developer xuất trực tiếp kết quả đầu ra của model sang JSON. Thư viện ultralytics cung cấp các phương thức tích hợp để tuần tự hóa kết quả phát hiện, giúp việc tích hợp các YOLO26 model vào các hệ sinh thái phần mềm lớn hơn trở nên trực quan.

Ví dụ sau đây minh họa cách chạy suy luận với model Ultralytics YOLO26 và chuyển đổi kết quả phát hiện thành một chuỗi JSON được chuẩn hóa:

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 so với các định dạng liên quan#

Mặc dù JSON rất phổ biến trong web development và thiết kế API, nhưng điều quan trọng là phải phân biệt nó với các định dạng tuần tự hóa dữ liệu khác thường gặp trong các quy trình Deep Learning.

• JSON so với YAML: YAML được thiết kế để con người đọc dễ nhất và hỗ trợ chú thích, khiến nó trở thành lựa chọn ưu tiên cho các tệp cấu hình. Ví dụ: các cài đặt hyperparameter tuning hoặc đường dẫn tập dữ liệu trong Ultralytics được định nghĩa trong các tệp .yaml. JSON nghiêm ngặt hơn, không hỗ trợ chú thích và nhìn chung máy tính phân tích nhanh hơn, làm cho nó phù hợp hơn cho việc truyền dữ liệu và phản hồi API.
• JSON so với XML: XML sử dụng cấu trúc dựa trên thẻ dài dòng. Mặc dù từng là tiêu chuẩn cho các tập dữ liệu như Pascal VOC, nó phần lớn đã bị JSON thay thế trong Machine Learning Operations (MLOps) hiện đại nhờ kích thước tệp nhỏ hơn và cú pháp đơn giản hơn của JSON.

Tiêu chuẩn hóa và Khả năng tương tác#

Việc áp dụng rộng rãi JSON thúc đẩy khả năng tương tác giữa các công cụ khác nhau. Cho dù xuất mặt nạ instance segmentation, lưu trữ nhãn image classification, hay cấu hình một pipeline model deployment, JSON đảm bảo rằng dữ liệu luôn có cấu trúc và dễ truy cập. Vai trò của nó mở rộng sang GeoJSON, một định dạng chuyên biệt để mã hóa các cấu trúc dữ liệu địa lý, thường được sử dụng trong satellite image analysis để ánh xạ các đối tượng được phát hiện lên tọa độ địa lý. Bằng cách tận dụng json library tích hợp sẵn của Python, các developer có thể dễ dàng xác thực, phân tích và thao tác với các cấu trúc dữ liệu này để xây dựng các ứng dụng AI mạnh mẽ.