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