本文详解在 Apple Silicon Mac（如 M1/M2 MacBook Air/Pro）上启用 Metal Performance Shaders（MPS）加速 YOLOv8 训练的完整方案，解决因误调 CUDA 接口导致的 AssertionError: Torch not compiled with CUDA enabled 报错，并提供可直接运行的配置代码与关键注意事项。
本文详解在 apple silicon mac（如 m1/m2 macbook air/pro）上启用 metal performance shaders（mps）加速 yolov8 训练的完整方案，解决因误调 cuda 接口导致的 `assertionerror: torch not compiled with cuda enabled` 报错，并提供可直接运行的配置代码与关键注意事项。
YOLOv8 原生支持 Apple 的 Metal Performance Shaders（MPS）后端，可在搭载 M1/M2/M3 芯片的 macOS 设备上显著提升训练速度（相比纯 CPU 可提速 3–5 倍）。但默认情况下，Ultralytics 的自动批处理（autobatch）和部分设备检测逻辑仍会尝试调用 torch.cuda.* 接口——而 macOS 版 PyTorch 完全不包含 CUDA 支持（无 NVIDIA GPU），导致 torch.cuda.get_device_properties() 等函数直接抛出 AssertionError，即使你已显式指定 device='mps'。
根本原因在于：Ultralytics v8.0.200+ 虽已适配 MPS，但其 check_train_batch_size() 函数内部未区分 mps 与 cuda 设备，仍强制执行 CUDA 相关检查。因此，不能依赖自动 batch size 推导，必须手动禁用该机制并显式设置合理批大小。
✅ 正确做法如下：
1. 确保环境满足前提条件
- macOS 12.3 或更高版本（MPS 最低要求）
- Python ≥ 3.9（推荐 3.11）
- PyTorch ≥ 2.1.0（需带 MPS 支持）：
pip uninstall torch torchvision torchaudio pip install torch torchvision torchaudio --extra-index-url https://download.pytorch.org/whl/macos
- Ultralytics ≥ 8.1.0（强烈建议升级至最新稳定版）：
pip install --upgrade ultralytics
2. 关键修复：禁用自动 batch size 检测 + 显式指定 device
将原始代码：
results = model.train(
data=data,
epochs=epochs,
batch=batch_size, # ← 若设为 -1 或未指定，会触发 autobatch → 报错！
imgsz=img_size,
project=project_name,
name=model_name,
device=torch.device('mps') # ← 此处合法，但后续 autobatch 会崩溃
)改为显式关闭自动批处理，并固定 batch 值（推荐 8–16，视内存而定）：
from ultralytics import YOLO
import torch
# 确认 MPS 可用
if torch.backends.mps.is_available():
device = 'mps'
print("✅ MPS backend is available.")
else:
device = 'cpu'
print("⚠️ MPS not available, falling back to CPU.")
model = YOLO('yolov8s.pt')
# ✅ 关键：显式设置 batch（不可为 -1 或 None），并关闭 auto-batch 干扰
results = model.train(
data=data,
epochs=epochs,
batch=8, # ← 必须为正整数！M2 Air 建议 4–8；M2 Pro/Max 可试 12–16
imgsz=img_size,
project=project_name,
name=model_name,
device=device, # ← 字符串 'mps' 更稳妥，等价于 torch.device('mps')
amp=False, # ⚠️ MPS 当前不支持 AMP（自动混合精度），必须设为 False
workers=2, # macOS 上 dataloader workers 过高易卡死，建议 0–2
cache='ram' # 可选：小数据集启用内存缓存加速加载
)3. 补充注意事项
- amp=False 是硬性要求：截至 PyTorch 2.3 和 Ultralytics 8.2.x，MPS 后端尚未实现 torch.cuda.amp 兼容的混合精度训练，启用 amp=True 将导致 RuntimeError。
- *避免 `torch.cuda.任何调用**：自定义回调、日志或数据增强中切勿出现torch.cuda.synchronize()、.cuda()等语句；统一使用.to(device)`。
- 内存监控：MPS 内存不透明，若训练中出现 MemoryError 或内核崩溃，请立即降低 batch 或 imgsz（如从 640→320）。
- 验证 MPS 是否生效：训练日志首行应显示 device=mps，且 GPU 利用率可在「活动监视器」→「GPU History」中观察到明显占用。
总结
在 macOS Apple Silicon 上训练 YOLOv8，核心原则是：绕过所有 CUDA 检查路径，显式控制设备、批大小与精度模式。只要禁用 autobatch（即不传 batch=-1）、关闭 amp、使用 device='mps' 字符串，并确保 PyTorch 和 Ultralytics 版本达标，即可稳定获得 3×+ 的训练加速。这是目前在无独立 GPU 的 Mac 上进行高效目标检测训练的最优实践。
