Mac电脑YOLO安装与训练指南

Mac电脑安装Yolo需要先安装以下软件：

Miniconda,创建虚拟环境，防止不同项目的库版本冲突。
PyTorch,深度学习的核心框架，负责底层的数学计算。
Ultralytics (YOLO),目前最流行的 YOLO 库，集成了模型、训练、预测等全套功能。
MPS (Metal),Apple 专用的加速框架，让训练跑在 M4 的 GPU 上而不是 CPU 上。

1. 安装环境

1.1 安装 Miniconda

bash

brew install --cask miniconda #安装
conda init $(basename $SHELL)  #初始化，重启终端以激活 conda

1.2 conda创建虚拟环境

bash

conda create -n yolo_env python=3.10 -y #创建yolo_env环境名
conda activate yolo_env #激活环境

⚠️ 创建时会报错提示需要先同意服务条款,

bash

1. conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/main
2. conda tos accept --override-channels --channel https://repo.anaconda.com/pkgs/r

1.2.1 如果需要切换环境，需要使用以下命令

bash

conda env list  # 带 * 的是当前激活的环境
conda activate 环境名 #切换环境
conda deactivate #退出当前环境

1.2.2 （可选）关闭自动激活base环境

Miniconda安装后，每次打开终端都会自动进入base环境。如果你不喜欢这样，可以关闭自动激活：

bash

conda config --set auto_activate_base false
conda config --set auto_activate_base true #如果想重新启用自动激活

1.3 安装 PyTorch 与 Ultralytics

这是最关键的一步，我们需要安装支持 Apple Silicon 的 PyTorch 版本。需要先切换到yolo_env环境中再安装。

bash

pip install torch torchvision torchaudio # 安装 PyTorch

pip install ultralytics # 安装 YOLO 官方库

安装完成后可以通过以下命令验证mps是否可用和当前ultralytics版本

bash

python -c "import torch; print('MPS可用：', torch.backends.mps.is_available())" #输出 MPS可用： True，恭喜！M4 GPU已经准备好为YOLO加速 

yolo version #获取ultralytics版本

获取的版本号是Ultralytics这个软件包的版本号，而 YOLO11 是模型架构的版本号。这两者并不冲突，yolo version可以理解为获取的是手机的系统版本（如 iOS 17.6）。而yolo11是模型架构版本，可以理解成手机中某个APP的版本。

关键点在于：从 YOLOv8 开始，Ultralytics 公司将后续的 YOLO 模型（包括 v8, v9, v10, v11 等）都统一放在同一个名为 ultralytics 的包中进行维护和分发。

2. 数据集准备

YOLO 需要特定格式的数据集（包含 images 和 labels 文件夹）。

推荐方案：从 Roboflow 获取

Roboflow Universe 有很多现成的扑克牌数据集。

搜索 "Playing Cards YOLOv11"。
点击 Download Dataset，选择 YOLOv11 格式。
下载并解压到你的工作目录下。

数据集结构示例：

Plaintext

poker_data/
├── train/
│   ├── images/  (扑克牌照片)
│   └── labels/  (每张照片对应的 .txt 标注文件)
├── val/         (验证集)
└── data.yaml    (核心配置文件：记录了路径和类别)

3 训练模型

我们将使用 M4 芯片的 GPU (device='mps') 进行训练。创建一个 Python 脚本 train_poker.py 或直接在终端输入:

python

from ultralytics import YOLO
import torch

def train_poker():
    # 1. 检查 Mac 的 GPU (MPS) 是否可用
    if torch.backends.mps.is_available():
        device = "mps"
        print("检测到 M4 GPU 加速可用！")
    else:
        device = "cpu"
        print("未检测到 MPS，将使用 CPU 训练（速度较慢）")

    # 2. 加载模型
    # yolo11n.pt 是最新的轻量化模型，非常适合在 Mac Air 上运行
    model = YOLO("yolo11n.pt") 

    # 3. 开始训练
    model.train(
        data="data.yaml",    # 指定你的配置文件
        epochs=100,          # 训练轮数，新手建议先跑 50-100 轮
        imgsz=640,           # 输入图片大小
        batch=16,            # 批处理大小，M4 8G/16G 内存建议设为 16,16GB 内存设为 64 没问题
        workers=4,           # 建议先设为 4，Mac 上过高的 workers 有时会导致内存压力溢出
        device=device,       # 使用 M4 的 GPU 加速
        cache=True,          # 把图片加载到 16GB 内存中，这是 M4 最强的加速手段
        plots=True,          # 生成训练曲线图
        save=True,
        augment=True,        # 开启增强
        patience=30          # 如果连续 30 轮没有更好的 best.pt，就自动关机
    )

if __name__ == "__main__":
    train_poker()

环境切换到yolo_dev,运行python train_poker.py进行训练。

3.1 设置训练模型位置

在开始训练前通过yolo setting查看训练模型的保存位置，默认是在

json

{
  "settings_version": "0.0.6",
  "datasets_dir": "/opt/homebrew/datasets",
  "weights_dir": "/opt/homebrew/weights",
  "runs_dir": "/opt/homebrew/runs",  //模型的保存位置
  "uuid": "c4e6a867cb39004559a17c72dde504459f319b5403bfd732d409c7eb34021577",
  "sync": true,
  "api_key": "",
  "openai_api_key": "",
  "clearml": true,
  "comet": true,
  "dvc": true,
  "hub": true,
  "mlflow": true,
  "neptune": true,
  "raytune": true,
  "tensorboard": false,
  "wandb": false,
  "vscode_msg": true,
  "openvino_msg": true
}

我们需要通过yolo settings runs_dir="./runs"命令设置训练模型在当前文件夹下面。如果找不到runs文件夹，在运行训练命令后看到Logging results to /opt/homebrew/runs/detect/train日志可以找到训练结果的文件夹。

训练后的模型 训练结束后，你会得到两个核心文件：

runs/detect/train/weights/best.pt：效果最好的模型（稍后测试就用它）。
runs/detect/train/weights/last.pt：最后一轮训练的模型。

3.2 模型中断后继续训练

在模型训练过程中，我们经常会因为待机或者种种原因造成中断，只要在通过以下脚本可以继续训练

python

from ultralytics import YOLO

# 这里的路径现在是相对于你项目根目录的相对路径
model = YOLO("runs/detect/train/weights/last.pt")

# 恢复训练并指定早停参数
model.train(
    resume=True,
    patience=30,      # 如果连续 30 轮没有更好的 best.pt，就自动关机
)

📢 关键点： YOLO 通常在完成第一轮（Epoch 1）训练并进行第一次模型保存时，才会正式稳固地建立 runs/detect/train/weights/last.pt 目录结构,看到有这个文件建立中断后才能继续训练

注意事项：

路径：确保 model 指向的是 last.pt 而不是 best.pt。last.pt 记录了最后的训练状态（包括跑到了第几轮）。
文件夹重名：恢复训练时，YOLO 会自动识别并继续在之前的 runs/detect/train/ 文件夹中写入数据。
不要更改参数：一旦开启 resume=True，你之前设置的 epochs、imgsz 等参数必须保持一致，不能中途修改。

3.3 设置观察训练过程

进度条：你会看到每一轮 (Epoch) 的进度
资源占用：你可以打开 Mac 的 “活动监视器” -> “GPU” 标签页，你会看到 GPU 使用率飙升，这说明 M4 正在全力工作
结果输出：训练完成后，所有的结果（包括模型文件、准确率曲线图）都会自动保存在当前目录下的 runs/detect/train/ 文件夹中
Mac电脑防止休眠：Mac 默认在合盖或长时间不操作时会休眠，这会中断训练。
1. 方法：打开“系统设置” -> “锁定屏幕” -> “无操作时关闭显示器” 设为“从不”。
2. 或者：在终端输入 caffeinate 命令，这会让 Mac 强制保持清醒。
观察温度：如果 s/it 突然变慢（比如变成 10s/it），说明 CPU/GPU 因为过热降频了，拿个风扇吹一下或者让它休息会儿。

3.4 开启早停机制 (Early Stopping)

在 YOLO 训练中，**早停机制 (Early Stopping) **是一个非常智能的管家。它的核心逻辑是：如果模型在设定的轮数内（默认通常是 50 轮）准确率不再提升，它就会自动掐断训练，帮你节省电费和 M4 芯片的损耗。你可以通过 patience 参数来调整这个轮数，比如设置 patience=30 就表示如果连续 30 轮没有更好的 best.pt，就自动关机。

python

from ultralytics import YOLO

# 加载断点
model = YOLO("runs/detect/train/weights/last.pt")

# 恢复训练并指定早停参数
model.train(
    resume=True,
    patience=30,      # 如果连续 30 轮没有更好的 best.pt，就自动关机
    project="./runs", # 确保路径正确
    name="detect/train"
)

观察 results.csv，等训练出 runs 文件夹后，打开里面的 results.csv。如果曲线还在往上走，说明还没喂饱，继续练。如果曲线变平了甚至往下掉了，说明已经到极限了。

4.测试与验证

训练完成后，模型会保存在 runs/detect/train/weights/best.pt。

预测单张图片:

bash

yolo task=detect mode=predict model=runs/detect/train/weights/best.pt source='path/to/your_test_image.jpg' show=True

实时摄像头测试 这是最有趣的部分，用 M4 的摄像头看看它能否识别你手中的扑克牌：

python

from ultralytics import YOLO

# 加载你训练好的模型
model = YOLO("runs/detect/train/weights/best.pt")

# 打开摄像头进行实时预测
model.predict(source="0", show=True, device="mps")

5. labels.cache的作用

在模型训练过程中，train 文件夹中产生labels.cache文件。它是 YOLO 为了大幅提升训练启动速度而自动生成的“速查表”。

5.1 它的作用

在正式开始训练之前，模型需要知道每一张图片对应的标签（Label）是否合法。

扫描与校验：它会检查你的 .txt 文件是否存在、格式是否正确（是否有 5 列数据）、类别 ID 是否超出范围，以及是否有损坏的图片。
信息提取：它会记录每张图片的尺寸（宽、高）和目标的数量。

5.2 什么时候该删掉它？

虽然它很方便，但如果你修改了数据集，它可能会变成你的绊脚石。

警告：如果你修改了 labels/*.txt 里的标注内容（比如你通过脚本批量改了类别，或者删掉了一些框），但没有删除旧的 labels.cache，YOLO 可能会继续使用旧的缓存数据进行训练。

建议在以下情况手动删除 labels.cache：

你往文件夹里新增或删除了图片/标签。
你修改了 .txt文件里的内容。
你怀疑标签加载有误（比如明明改了类别，但训练日志里显示的类别数量还是老的）。

Mac电脑YOLO安装与训练指南 ​

1. 安装环境 ​

1.1 安装 Miniconda ​

1.2 conda创建虚拟环境 ​

1.2.1 如果需要切换环境，需要使用以下命令 ​

1.2.2 （可选）关闭自动激活base环境 ​

1.3 安装 PyTorch 与 Ultralytics ​

2. 数据集准备 ​

3 训练模型 ​

3.1 设置训练模型位置 ​

3.2 模型中断后继续训练 ​

3.3 设置观察训练过程 ​

3.4 开启早停机制 (Early Stopping) ​

4.测试与验证 ​

5. labels.cache的作用 ​

5.1 它的作用 ​

5.2 什么时候该删掉它？ ​

Mac电脑YOLO安装与训练指南

1. 安装环境

1.1 安装 Miniconda

1.2 conda创建虚拟环境

1.2.1 如果需要切换环境，需要使用以下命令

1.2.2 （可选）关闭自动激活base环境

1.3 安装 PyTorch 与 Ultralytics

2. 数据集准备

3 训练模型

3.1 设置训练模型位置

3.2 模型中断后继续训练

3.3 设置观察训练过程

3.4 开启早停机制 (Early Stopping)

4.测试与验证

5. labels.cache的作用

5.1 它的作用

5.2 什么时候该删掉它？