Mac M 系列芯片 YOLOv8 部署教程(CPU/Metal 后端一键安装)

在 Mac M 系列芯片(Apple Silicon/ARM 架构)上部署 YOLOv8,有一些注意事项:PyTorch 需要安装 ARM 原生版本,推理可利用 Metal 后端加速 CPU。本文教你一步步完成环境配置、模型下载、依赖安装和验证推理。


1️⃣ 环境准备

  1. 操作系统:macOS(Apple M 系列芯片,ARM 架构)

  2. Python:推荐 3.9 或 3.10

  3. 包管理:安装 Miniforge 或 Miniconda(ARM 原生版本)

  4. 工具:Homebrew

    /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
    brew install wget


2️⃣ 手动下载模型和测试图片

创建目录并下载模型、测试图片:

复制代码
mkdir -p ~/yolo/models
mkdir -p ~/yolo/images

# 下载 YOLOv8n 模型
wget -O ~/yolo/models/yolov8n.pt https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt

# 下载测试图片
wget -O ~/yolo/images/bus.jpg https://github.com/ultralytics/assets/raw/main/bus.jpg

注:如果目录或文件已存在,可跳过下载。


3️⃣ 一键部署脚本(Mac M 系列)

保存为 deploy-yolov8-mac.sh,直接执行即可完成环境安装和验证:

复制代码
#!/bin/bash

YOLO_DIR="$HOME/yolo"
MODEL_PATH="$YOLO_DIR/models/yolov8n.pt"
IMAGE_PATH="$YOLO_DIR/images/bus.jpg"

# 创建目录
mkdir -p "$YOLO_DIR/models"
mkdir -p "$YOLO_DIR/images"

# 下载模型和图片(如不存在)
[ ! -f "$MODEL_PATH" ] && wget -O "$MODEL_PATH" https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt
[ ! -f "$IMAGE_PATH" ] && wget -O "$IMAGE_PATH" https://github.com/ultralytics/assets/raw/main/bus.jpg

# 配置 conda 环境
ENV_NAME="yolov8-mac"
PYTHON_VER="3.9"
conda create -n $ENV_NAME python=$PYTHON_VER -y
source ~/miniforge3/etc/profile.d/conda.sh
conda activate $ENV_NAME

# 安装依赖
pip install -U pip setuptools wheel
pip install torch torchvision torchaudio
pip install ultralytics onnxruntime-macos tensorboard wandb

# 验证安装
yolo predict model="$MODEL_PATH" source="$IMAGE_PATH"

echo "部署完成!请在 runs/predict/ 查看检测结果 🎉"

执行脚本:

复制代码
chmod +x deploy-yolov8-mac.sh
./deploy-yolov8-mac.sh

4️⃣ 部署流程图(文本示意)

复制代码
创建目录 ~/yolo
        │
        ├── 下载模型 yolov8n.pt
        │
        └── 下载测试图片 bus.jpg
                  │
             创建 Conda 环境
                  │
安装 PyTorch + YOLOv8 (Apple Silicon/Metal)
                  │
             验证安装
                  │
        ┌─────────┴─────────┐
        │                   │
  检测结果生成?         检查依赖或路径
        │
       Yes
        │
   部署成功 🎉

说明:Mac M 系列使用 Metal 后端加速 CPU 推理,无需 CUDA GPU。


5️⃣ CPU/Metal 后端说明

步骤 Mac M 系列 (ARM/Metal) 说明
Python 环境 3.9 (Conda) 推荐 ARM 原生
CUDA 驱动 不需要 Metal 后端加速
PyTorch 版本 ARM 原生 高效利用 M 系列 CPU/GPU
YOLOv8 安装 pip 安装 ultralytics 包含推理功能
模型 & 图片 手动或脚本下载均可 可复用
推理速度 CPU + Metal 加速 快于纯 CPU
验证步骤 yolo predict model=MODEL_PATH source=IMAGE_PATH CLI 统一

6️⃣ 总结

  • Mac M 系列部署 YOLOv8 不需要 CUDA,直接安装 ARM 原生 PyTorch + Metal 后端即可

  • 可以使用脚本一键完成环境配置、依赖安装和推理验证

  • 流程简单,适合团队成员直接使用

  • 结果保存在 runs/predict/ 目录,方便查看


结果图片

相关推荐
库奇噜啦呼4 小时前
【iOS】简单的四则运算
macos·ios·cocoa
Mrs.Gril9 小时前
目标检测:yolov7算法在RK3588上部署
算法·yolo·目标检测
HoJunjie13 小时前
macOS sequoia 15.7.1 源码安装node14,并加入nvm管理教程
macos·node.js
心灵宝贝13 小时前
Principal v6.15 中文汉化版安装教程|Mac .dmg 文件安装步骤详解
macos
你好龙卷风!!!13 小时前
mac | Windows 本地部署 Seata1.7.0,Nacos 作为配置中心、注册中心,MySQL 存储信息
windows·mysql·macos
源文雨17 小时前
MacOS 下 Warp ping 局域网设备报错 ping: sendto: No route to host 的解决方法
运维·网络协议·安全·macos·网络安全·ping
格林威18 小时前
工业视觉检测里的 “柔性” 是什么?
图像处理·人工智能·深度学习·yolo·计算机视觉·视觉检测
liulilittle1 天前
macOS 内核路由表操作:直接 API 编程指南
网络·c++·macos·策略模式·路由·route·通信
霍夫曼vx_helloworld73521 天前
yolov8模型在指针式表盘读数中的应用【代码+数据集+python环境+GUI系统】
大数据·python·yolo
飞翔的佩奇2 天前
【完整源码+数据集+部署教程】 白血球图像分割系统: yolov8-seg-repvit
python·yolo·计算机视觉·数据集·yolo11·白血球图像分割系统·、yolov8