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
游戏开发爱好者82 小时前
iOS 26 App 查看电池寿命技巧,多工具组合实践指南
android·macos·ios·小程序·uni-app·cocoa·iphone
xingxing_F2 小时前
Kaleidoscope for mac 文件对比工具
macos
G.Chenhui2 小时前
【Macos】安装 macFUSE 和 SSHFS 实现在 Finder 中挂载服务器目录
服务器·macos
少林and叔叔2 小时前
基于yolov5.7.0的人工智能算法的下载、开发环境搭建(pycharm)与运行测试
人工智能·pytorch·python·yolo·目标检测·pycharm
王哈哈^_^3 小时前
【数据集】【YOLO】【目标检测】建筑垃圾数据集 4256 张,YOLO建筑垃圾识别算法实战训推教程。
人工智能·深度学习·算法·yolo·目标检测·计算机视觉·数据集
B站计算机毕业设计之家4 小时前
计算机视觉:YOLO实现目标识别+目标跟踪技术 pyqt界面 OpenCV 计算机视觉 深度学习 计算机(建议收藏)✅
python·opencv·yolo·计算机视觉·目标跟踪·口罩识别
tt5555555555554 小时前
YOLOv5模型架构详解(三)
yolo
lxmyzzs5 小时前
【图像算法 - 31】基于深度学习的太阳能板缺陷检测系统:YOLOv12 + UI界面 + 数据集实现
人工智能·深度学习·算法·yolo·缺陷检测
lxmyzzs5 小时前
【图像算法 - 32】基于深度学习的风力发电设备缺陷检测系统:YOLOv12 + UI界面 + 数据集实现
深度学习·算法·yolo·计算机视觉
B站计算机毕业设计之家5 小时前
深度学习:YOLOv8人体行为动作识别检测系统 行为识别检测识系统 act-dataset数据集 pyqt5 机器学习✅
人工智能·python·深度学习·qt·yolo·机器学习·计算机视觉