在 Mac M 系列芯片（Apple Silicon/ARM 架構）上部署 YOLOv8，有一些注意事項：PyTorch 需要安裝 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環境配置、模型下載、依賴安裝和驗證推理。
1?? 環境準備
操作系統：macOS（Apple M 系列芯片，ARM 架構）
Python：推薦 3.9 或 3.10
包管理：安裝 Miniforge 或 Miniconda（ARM 原生版本）
工具：Homebrew
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
brew install wget
2?? 手動下載模型和測試圖片
創建目錄并下載模型、測試圖片：
mkdir -p ~/yolo/models
mkdir -p ~/yolo/images# 下載 YOLOv8n 模型
wget -O ~/yolo/models/yolov8n.pt https://github.com/ultralytics/assets/releases/download/v0.0.0/yolov8n.pt# 下載測試圖片
wget -O ~/yolo/images/bus.jpg https://github.com/ultralytics/assets/raw/main/bus.jpg
注：如果目錄或文件已存在，可跳過下載。
3?? 一鍵部署腳本（Mac M 系列）
保存為 deploy-yolov8-mac.sh，直接執行即可完成環境安裝和驗證：
#!/bin/bashYOLO_DIR="$HOME/yolo"
MODEL_PATH="$YOLO_DIR/models/yolov8n.pt"
IMAGE_PATH="$YOLO_DIR/images/bus.jpg"# 創建目錄
mkdir -p "$YOLO_DIR/models"
mkdir -p "$YOLO_DIR/images"# 下載模型和圖片（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 環境
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 $ENV_NAME# 安裝依賴
pip install -U pip setuptools wheel
pip install torch torchvision torchaudio
pip install ultralytics onnxruntime-macos tensorboard wandb# 驗證安裝
yolo predict model="$MODEL_PATH" source="$IMAGE_PATH"echo "部署完成！請在 runs/predict/ 查看檢測結果 🎉"
執行腳本：
chmod +x deploy-yolov8-mac.sh
./deploy-yolov8-mac.sh
4?? 部署流程圖（文本示意）
創建目錄 ~/yolo│├── 下載模型 yolov8n.pt│└── 下載測試圖片 bus.jpg│創建 Conda 環境│
安裝 PyTorch + YOLOv8 (Apple Silicon/Metal)│驗證安裝│┌─────────┴─────────┐│ │檢測結果生成? 檢查依賴或路徑│Yes│部署成功 🎉
說明：Mac M 系列使用 Metal 后端加速 CPU 推理，無需 CUDA GPU。
5?? CPU/Metal 后端說明
| 步驟 | Mac M 系列 (ARM/Metal) | 說明 |
|---|---|---|
| Python 環境 | 3.9 (Conda) | 推薦 ARM 原生 |
| CUDA 驅動 | 不需要 | Metal 后端加速 |
| PyTorch 版本 | ARM 原生 | 高效利用 M 系列 CPU/GPU |
| YOLOv8 安裝 | pip 安裝 ultralytics | 包含推理功能 |
| 模型 & 圖片 | 手動或腳本下載均可 | 可復用 |
| 推理速度 | CPU + Metal 加速 | 快于純 CPU |
| 驗證步驟 | yolo predict model=MODEL_PATH source=IMAGE_PATH | CLI 統一 |
6?? 總結
Mac M 系列部署 YOLOv8 不需要 CUDA，直接安裝 ARM 原生 PyTorch + Metal 后端即可
可以使用腳本一鍵完成環境配置、依賴安裝和推理驗證
流程簡單，適合團隊成員直接使用
結果保存在
runs/predict/目錄，方便查看
結果圖片
)
