环境配置与基础教程：保姆级教程：在 Mac M 芯片上利用 MPS 加速 YOLO 训练与推理的完整环境搭建

写在前面：为什么你的 Mac 也能跑深度学习？

几年前，如果有人告诉你用 MacBook 训练深度学习模型，你大概会笑出声。那时候 Mac 上的 PyTorch 只能依赖 CPU 吭哧吭哧地算，训练一个小模型都要等到天荒地老。但自从 Apple Silicon 芯片（M1、M2、M3、M4，以及最新的 M5）横空出世，再加上 PyTorch 官方从 v1.12 版本开始原生支持 Metal Performance Shaders（MPS）后端，整个局面就彻底改变了。

MPS 是 Apple 版的“CUDA”——正如 NVIDIA 显卡通过 CUDA 调用 GPU 进行并行计算，Apple 的 M 系列芯片通过 MPS 框架让 PyTorch 等深度学习框架直接调用内置 GPU 进行加速。而且 MPS 不是简单地把 CUDA 指令翻译过来，而是针对每一代 Apple Silicon GPU 的独特架构（核心数量、内存带宽、执行单元）进行了深度优化，编写了专门的计算内核，效率自然更高。

更大的隐形优势是Apple Silicon 的统一内存架构（Unified Memory Architecture）。在传统 PC 上，CPU 和独立显卡各有自己的内存，数据要通过 PCIe 总线来回搬运，这个“搬运”本身就是瓶颈。而 Mac 上的 CPU、GPU、神经网络引擎都共享同一块物理内存，GPU 可以直接访问全部系统内存。这意味着你可以训练参数量更大、batch size 更高的模型，而不用像传统 GPU 那样操心“爆显存”。

本文将从零开始，带你一步