当前位置：首页 > news >正文

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

news 2025/9/11 12:48:00

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：

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：

#!/bin/bashYOLO_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：

chmod +x deploy-yolov8-mac.sh
./deploy-yolov8-mac.sh

4️⃣ 部署流程图（文本示意）

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