在 Apple M5 MacBook Pro 上搭建 YOLO 训练环境：从 PyTorch MPS 到首次训练完整实录

一、背景

最近开始尝试在 Apple M5 MacBook Pro 上进行 YOLO 模型训练。

这台机器使用 Apple M5 芯片和统一内存架构，不支持 NVIDIA CUDA，但可以通过 PyTorch 的 MPS 后端调用 Apple GPU。因此，这次环境搭建的核心目标是：

1. 使用 Conda 创建独立的 Python 环境；
2. 安装支持 Apple Silicon 的 PyTorch；
3. 验证 MPS 是否能够调用 M5 GPU；
4. 安装 Ultralytics；
5. 使用官方示例数据集完成一次 YOLO 冒烟训练；
6. 安装 JupyterLab，方便后续编写训练代码。

本文完整记录实际执行过程，方便以后回查和重新搭建环境。

---

二、本次环境信息

本次实际安装完成后的主要环境如下：

项目	版本或配置
操作系统	macOS 26.5 arm64
芯片	Apple M5
统一内存	24GB
Conda	26.3.2
Python	3.11.15
PyTorch	2.13.0
torchvision	0.28.0
Ultralytics	8.4.91
JupyterLab	4.6.1
ipykernel	7.3.0
GPU 加速后端	MPS

Conda 创建环境时已经正确识别为osx-arm64，Python 环境最终安装在 Miniforge 的独立环境目录中。

---

三、创建独立的 YOLO 环境

首先检查 Conda 是否已经安装：

conda--version

本机输出：

conda 26.3.2

创建名为yolo的 Python 3.11 环境：

conda create-nyolopython=3.11-y

激活环境：

conda activate yolo

激活成功后，终端前面会出现：

(yolo)

检查当前 Python 是否为 Apple Silicon 原生架构：

python-c"import platform; print(platform.machine())"

输出：

arm64

继续检查 Python 的实际路径：

whichpython

本机输出：

/opt/homebrew/Caskroom/miniforge/base/envs/yolo/bin/python

这说明当前使用的是yolo环境中的 Python，而不是 macOS 系统自带的 Python。

---

四、安装 PyTorch

先更新 Python 包管理工具：

python-mpipinstall--upgradepip setuptools wheel

然后安装 PyTorch 和 torchvision：

python-mpipinstalltorch torchvision

本次实际安装的版本为：

torch 2.13.0 torchvision 0.28.0

安装的 wheel 文件明确带有macosx和arm64标识，说明安装的是 Apple Silicon 原生版本，而不是通过 Rosetta 运行的 Intel 版本。

为了以后能够完全复现本次环境，也可以直接指定版本：

python-mpipinstalltorch==2.13.0torchvision==0.28.0

---

五、验证 Apple M5 GPU 和 MPS

安装 PyTorch 后，最关键的一步是确认 MPS 是否可用。

执行：

python -<<'PY' import platform import torch print("计算机架构：", platform.machine()) print("PyTorch版本：", torch.__version__) print("MPS已构建：", torch.backends.mps.is_built()) print("MPS可用：", torch.backends.mps.is_available()) if torch.backends.mps.is_available(): x = torch.rand(3, 3, device="mps") print("GPU张量设备：", x.device) print(x) else: print("当前未检测到可用的MPS设备") PY

本机输出的关键信息为：

计算机架构： arm64 PyTorch版本： 2.13.0 MPS已构建： True MPS可用： True GPU张量设备： mps:0

同时成功在mps:0设备上创建了一个随机张量。

这一步说明：

• 当前 Python 是 ARM64 原生环境；
• PyTorch 已经编译了 MPS 支持；
• Apple M5 GPU 可以被 PyTorch 调用；
• 后续 YOLO 训练可以使用device=mps。

---

六、安装 Ultralytics

在安装之前，可以查看 PyPI 上可用的 Ultralytics 版本：

python-mpip index versions ultralytics

当时查询到的最新版本为：

8.4.91

本次实际使用以下命令安装：

python-mpipinstall-Uultralytics

为了避免以后重新安装时版本发生变化，更推荐明确指定版本：

python-mpipinstallultralytics==8.4.91

安装完成后执行环境检查：

yolo checks

检查结果显示：

Ultralytics 8.4.91 Python 3.11.15 torch 2.13.0 Apple M5 24GB RAM Setup complete

Ultralytics 及其依赖均安装成功。

为什么yolo checks显示 GPU 为 None

检查结果中还出现了：

GPU None CUDA None

这并不代表 Apple GPU 无法使用。

这里的 GPU 信息主要面向 CUDA 设备。Apple Silicon 不使用 CUDA，而是通过 MPS 调用 GPU。判断 Apple GPU 是否可用，应当看：

torch.backends.mps.is_available()

以及训练开始时是否显示：

MPS (Apple M5)

本次后续训练已经明确使用 MPS 成功运行，因此GPU None不影响实际训练。

---

七、Ultralytics 版本和 YOLO 模型版本不是一回事

这里很容易产生一个误解。

本次安装的是：

ultralytics 8.4.91

这表示 Python 软件包的版本。

而下面这些：

yolov8n.pt yolo11n.pt yolo26n.pt

表示不同的 YOLO 模型及模型权重。

因此，安装ultralytics==8.4.91并不意味着只能使用 YOLOv8。只要当前 Ultralytics 版本支持，就可以在同一个 Python 环境中保存并调用多个模型权重。

例如使用 YOLO11：

yolo detect train\model=yolo11n.pt\data=coco8.yaml\epochs=1\imgsz=640\batch=2\device=mps

本次实际冒烟测试使用的是yolo26n.pt，但环境搭建方式与使用 YOLO11 完全一致。

---

八、执行第一次 YOLO 冒烟训练

为了验证整套环境是否真正可用，使用 Ultralytics 官方提供的coco8小型数据集进行一次训练。

实际执行命令如下：

yolo detect train\model=yolo26n.pt\data=coco8.yaml\epochs=1\imgsz=640\batch=2\device=mps\workers=2

几个主要参数的含义：

model=yolo26n.pt 使用 Nano 轻量模型 data=coco8.yaml 使用官方小型测试数据集 epochs=1 只训练一轮，用于环境验证 imgsz=640 输入图片尺寸为 640×640 batch=2 每批处理两张图片 device=mps 使用 Apple GPU workers=2 设置数据加载进程数

第一次运行时，系统自动下载了：

yolo26n.pt coco8.zip

训练启动信息中明确显示：

Ultralytics 8.4.91 Python 3.11.15 torch 2.13.0 MPS (Apple M5)

这说明 YOLO 已经成功调用 Apple M5 GPU，而不是退回 CPU。

---

九、第一次训练结果

模型结构统计如下：

YOLO26n 260 layers 2,572,280 parameters 6.1 GFLOPs

训练数据集包含：

训练图片：4张 验证图片：4张 验证目标：17个

一轮训练正常完成，训练阶段大约耗时8秒。验证结果为：

Precision：0.889 Recall：0.661 mAP50：0.902 mAP50-95：0.668

这里的数据量非常小，指标没有实际项目价值。本次训练的目的只是验证：

• 模型能够加载；
• 数据集能够下载和解析；
• 前向传播正常；
• 反向传播正常；
• MPS 可以参与训练；
• 权重可以正常保存；
• 验证流程可以完整执行。

最终结果保存在：

/opt/homebrew/runs/detect/train

主要文件包括：

/opt/homebrew/runs/detect/train/weights/best.pt /opt/homebrew/runs/detect/train/weights/last.pt /opt/homebrew/runs/detect/train/results.png /opt/homebrew/runs/detect/train/labels.jpg

日志显示best.pt和last.pt均已成功生成，说明完整训练链路已经跑通。

---

十、关于 MPS 的确定性警告

训练过程中出现了以下警告：

index_put_with_accumulate_mps does not have a deterministic implementation

这条信息的意思是：

当前训练开启了确定性算法，但 PyTorch 中某个 MPS 算子还没有完全确定性的实现。

这是一条警告，不是错误。本次训练在警告出现后仍然完成了反向传播、模型验证和权重保存，因此不会影响环境是否搭建成功。

若后续不要求每次训练结果严格复现，可以尝试：

yolo detect train\model=yolo11n.pt\data=data.yaml\device=mps\deterministic=False

对于正式实验，如果需要对比不同模型或超参数，仍建议固定随机种子，并记录完整训练配置。

---

十一、安装 JupyterLab

为了方便后续通过 Notebook 编写代码，继续安装 JupyterLab 和 ipykernel：

python-mpipinstalljupyterlab ipykernel

本次安装的主要版本为：

jupyterlab 4.6.1 ipykernel 7.3.0

把当前 Conda 环境注册为 Jupyter 内核：

python-mipykernelinstall\--user\--nameyolo\--display-name"Python 3.11 - YOLO MPS"

安装成功后输出：

Installed kernelspec yolo in /Users/jefferliu/Library/Jupyter/kernels/yolo

启动 JupyterLab：

jupyter lab

服务成功运行在：

http://localhost:8888/lab

进入 JupyterLab 后，应选择以下内核：

Python 3.11 - YOLO MPS

JupyterLab、内核注册和本地服务均已正常启动。

需要注意，Jupyter 启动地址中通常包含访问 Token。Token 相当于临时访问凭证，不应复制到公开博客、聊天群或代码仓库中。

---

十二、安装过程中遇到的一个小问题

停止 JupyterLab 时，终端出现：

Shut down this Jupyter server (y/[n])?

此时在同一个终端直接输入了：

brewinstall--caskvisual-studio-code

但这条命令并没有被 Shell 执行，而是被 Jupyter 当成了关机确认问题的回答，因此 Jupyter 又恢复了运行。日志最后显示的是resuming operation，而不是 VS Code 安装成功。

正确处理方法有两种。

第一种，先关闭 Jupyter：

Control + C y

关闭后再执行：

brewinstall--caskvisual-studio-code

第二种，保持 Jupyter 运行，另外打开一个新的终端窗口，再安装 VS Code。

---

十三、在 JupyterLab 中验证 MPS

创建 Notebook 后，可以运行下面的代码：

importplatformimporttorchimportultralyticsprint("架构：",platform.machine())print("PyTorch：",torch.__version__)print("Ultralytics：",ultralytics.__version__)print("MPS可用：",torch.backends.mps.is_available())device="mps"iftorch.backends.mps.is_available()else"cpu"print("当前设备：",device)

预期输出：

架构： arm64 PyTorch： 2.13.0 Ultralytics： 8.4.91 MPS可用： True 当前设备： mps

也可以直接在 Notebook 中训练 YOLO11：

fromultralyticsimportYOLO model=YOLO("yolo11n.pt")results=model.train(data="coco8.yaml",epochs=1,imgsz=640,batch=2,device="mps",workers=2)

---

十四、保存当前环境

仅仅把安装命令记录在文章中还不够。为了准确复现，建议在环境稳定后导出依赖。

导出 pip 依赖：

python-mpip freeze>requirements-yolo-m5.txt

导出完整 Conda 环境：

condaenvexport--no-builds>yolo-m5-environment.yml

以后可以通过以下命令重建环境：

condaenvcreate-fyolo-m5-environment.yml

查看环境：

condaenvlist

激活环境：

conda activate yolo

退出环境：

conda deactivate

彻底删除环境：

conda remove-nyolo--all

---

十五、完整复现命令

下面是根据本次实际版本整理的精简复现流程：

# 1. 创建环境conda create-nyolopython=3.11-y# 2. 激活环境conda activate yolo# 3. 验证架构python-c"import platform; print(platform.machine())"# 4. 更新基础工具python-mpipinstall--upgradepip setuptools wheel# 5. 安装指定版本的PyTorchpython-mpipinstalltorch==2.13.0torchvision==0.28.0# 6. 安装指定版本的Ultralyticspython-mpipinstallultralytics==8.4.91# 7. 检查环境yolo checks# 8. 使用YOLO11进行冒烟训练yolo detect train\model=yolo11n.pt\data=coco8.yaml\epochs=1\imgsz=640\batch=2\device=mps\workers=2# 9. 安装JupyterLabpython-mpipinstalljupyterlab==4.6.1ipykernel==7.3.0# 10. 注册Jupyter内核python-mipykernelinstall\--user\--nameyolo\--display-name"Python 3.11 - YOLO MPS"# 11. 启动JupyterLabjupyter lab

---

十六、总结

本次在 Apple M5 MacBook Pro 上完成了 YOLO 基础训练环境搭建，并验证了以下内容：

• Miniforge 和 Conda 环境正常；
• Python 运行在原生 ARM64 架构；
• PyTorch 正确支持 MPS；
• Apple M5 GPU 可以执行张量计算；
• Ultralytics 安装成功；
• YOLO 模型能够通过 MPS 完成训练和验证；
• best.pt与last.pt权重正常生成；
• JupyterLab 和独立 YOLO 内核正常运行。

Apple M5 虽然不能使用 CUDA，但对于 YOLO Nano、Small 等轻量模型的学习、小型数据集训练、模型微调和功能验证已经足够。

接下来就可以进入真正的项目阶段：准备自己的图片、完成目标标注、编写data.yaml，然后使用yolo11n.pt开始第一个自定义目标检测模型训练。