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 |
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
)
