在M1和M2芯片的macOS设备上，使用MPS（Metal Performance Shaders）加速框架训练YOLOv8模型，能够充分利用苹果芯片的GPU性能，大幅提升训练效率。MPS是苹果为Metal图形框架开发的专用计算加速接口，针对深度学习场景做了深度优化，比通用的CPU训练速度快数倍。
环境准备
首先需要确认系统版本和硬件符合要求，M1/M2芯片的Mac设备需要运行macOS 12.3及以上版本，同时需要安装Python 3.8及以上版本。接下来需要安装适配MPS的PyTorch版本，目前PyTorch 1.12及以上版本已经原生支持MPS后端。
安装依赖包
先创建独立的Python虚拟环境，避免依赖冲突，然后安装对应版本的PyTorch和YOLOv8所需的依赖：
# 创建虚拟环境 python3 -m venv yolov8_mps_env # 激活虚拟环境 source yolov8_mps_env/bin/activate # 安装支持MPS的PyTorch，这里选择PyTorch 2.0版本 pip3 install torch torchvision torchaudio # 安装YOLOv8官方包 pip3 install ultralytics
验证MPS可用性
安装完成后需要验证当前环境是否能够正确识别MPS设备，避免后续训练时出现设备不匹配的问题。可以运行以下Python代码进行检测：
import torch
# 检查是否有可用的MPS设备
if torch.backends.mps.is_available():
print("MPS设备可用")
# 创建MPS设备对象
mps_device = torch.device("mps")
# 创建一个张量并移动到MPS设备
x = torch.ones(3, 3, device=mps_device)
print("张量所在设备:", x.device)
else:
print("MPS设备不可用，请检查PyTorch版本和系统版本")
如果输出显示MPS设备可用，并且张量所在设备为mps，说明环境配置正确。
调整YOLOv8训练配置
YOLOv8默认的训练设备是CPU或者CUDA，需要手动调整配置让训练过程使用MPS设备。可以通过两种方式设置训练设备：
方式一：训练命令中直接指定
在使用命令行启动YOLOv8训练时，添加device参数指定为mps：
# 使用YOLOv8训练目标检测模型，指定设备为MPS yolo detect train data=coco128.yaml model=yolov8n.pt epochs=50 imgsz=640 device=mps
方式二：代码中手动设置
如果是通过Python脚本启动训练，可以在代码中设置训练参数时指定设备：
from ultralytics import YOLO
# 加载YOLOv8模型
model = YOLO("yolov8n.pt")
# 设置训练参数，指定设备为mps
train_args = {
"data": "coco128.yaml",
"epochs": 50,
"imgsz": 640,
"device": "mps" # 指定使用MPS设备
}
# 启动训练
model.train(**train_args)
训练过程注意事项
- 训练时如果出现内存不足的问题，可以适当减小
imgsz参数或者batch参数，M1/M2芯片的显存相对独立显卡较小，需要根据设备实际情况调整。 - 目前MPS后端对部分PyTorch操作的支持还不完善，如果遇到算子不支持的错误，可以尝试升级PyTorch到最新版本，或者暂时将对应操作切换到CPU执行。
- 训练过程中可以通过活动监视器查看GPU使用率，确认MPS是否正常调用了GPU资源，如果GPU使用率持续较低，需要检查设备参数是否设置正确。
常见问题解决
如果遇到训练时提示找不到MPS设备的问题，首先检查PyTorch版本是否支持MPS，然后确认系统版本是否满足要求。如果训练过程中出现算子错误，可以参考以下示例代码调整算子执行设备：
import torch
def custom_op(x):
# 如果MPS不支持该算子，切换到CPU执行
if x.device.type == "mps":
x = x.to("cpu")
result = x * 2 # 示例算子操作
return result.to("mps")
else:
return x * 2
按照以上步骤操作，就可以在M1/M2芯片的macOS设备上正确使用MPS加速训练YOLOv8模型，充分发挥硬件的性能优势。
MPS YOLOv8 macOS_M1 macOS_M2 PyTorch修改时间：2026-07-14 13:12:37