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

操作系统：macOS（Apple M 系列芯片，ARM 架构）
Python：推荐 3.9 或 3.10
包管理：安装 Miniforge 或 Miniconda（ARM 原生版本）
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