Env Setup

同时扫描源码中的关键导入，交叉验证依赖声明：

rg -n "^(import|from) " --glob '*.py' .
rg -n "torch\.|mmcv|mmdet|mmseg|mmdet3d" --glob '*.py' .

1.2 版本分析原则

重点检查：

• Python 版本是否与 wheel 生态兼容。
• CUDA 版本来自系统还是环境内。
• torch / torchvision / torchaudio 是否匹配同一 CUDA 后缀。
• numpy 是否会被其他包升到 2.x；旧 torch / mmcv / 扩展通常不适合 numpy 2.x。
• setuptools 是否过新；torch.utils.cpp_extension 仍可能依赖 pkg_resources，必要时使用 setuptools<81。

常用兼容判断：

• 若项目明确要求 cu118，优先使用系统 /usr/local/cuda-11.8。
• 若项目含 MMCV 生态，必须额外核对官方兼容矩阵，不可只看 README。

1.3 CUDA 版本决策

系统全局 CUDA 为 11.8（/usr/local/cuda-11.8）：

• 若项目也需要 11.8，直接使用系统 CUDA：

export CUDA_HOME=/usr/local/cuda-11.8
export PATH=$CUDA_HOME/bin:$PATH
export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH

• 若项目需要其他 CUDA 版本，再通过 conda 安装环境内 toolkit，并把 CUDA_HOME=$CONDA_PREFIX。

1.4 编写 requirements.txt

若仓库根目录没有合适的 requirements.txt，或现有文件明显缺失/混乱，则在方案设计阶段直接生成或更新根目录 requirements.txt，来源包括：

• 根 environment.yml 中的 pip 依赖
• 子模块已有 requirements*.txt
• 源码实际导入但依赖文件未声明的第三方包
• 需要剔除或修正的错误 pin

生成后要在方案里明确说明：

• 这个 requirements.txt 是新建还是修订
• 哪些包是补上的
• 哪些版本被改写以及原因

1.5 安装顺序规划

默认顺序：

Step 1: 创建 conda 环境
Step 2: [若需要] 安装环境内 CUDA toolkit
Step 3: 安装 numpy
Step 4: 安装 torch / torchvision / torchaudio
Step 5: 调整 setuptools 版本
Step 6: [若使用 MMCV 生态] 安装 openmim，通过 mim 安装 mmcv/mmdet/mmseg/mmdet3d
Step 7: 安装其余 Python 依赖（requirements.txt）
Step 8: 编译 CUDA / C++ 扩展
Step 9: 安装其他库（如有）
Step 10: 验证环境

1.6 数据与模型准备（仅梳理，不执行）

把 README 中提到的数据集、权重、预处理步骤列成清单。

1.7 输出方案文档

将方案写入项目内 docs/env-setup-plan.md，同时在对话里展示摘要。

文档至少包含：

# 环境配置方案 — <项目名>

## 基本信息
- conda 环境名
- Python 版本
- CUDA 来源与版本
- torch 版本

## 版本冲突分析
- 冲突项
- 解决方式

## requirements.txt 设计
- 新建或修订说明
- 关键包来源与版本调整

## 安装步骤
- 按顺序列出完整命令

## 数据与模型准备
- 仅清单，不执行

等待用户审批后再进入阶段 2。

阶段 2：tmux 中执行安装

2.1 统一规则：所有安装命令都在 tmux 中运行

所有会修改环境、联网下载、编译扩展的命令，都必须在 tmux 会话中执行。

标准做法：

• 新建专用会话，例如 env_install、repo_env_install
• conda 相关命令一律在该会话的宿主机 shell 中执行
• 把每一段命令通过 tmux send-keys 发进去
• 日志统一写到 /tmp/<repo>_env_install.log
• 通过 tmux capture-pane 和 tail 轮询进度
• 不要把长命令直接阻塞在前台 shell

推荐模式：

tmux new-session -d -s <session>
tmux send-keys -t <session> "cd <repo> && <command> |& tee -a /tmp/<log>.log" C-m
tmux capture-pane -t <session> -p | tail -n 40
tail -n 40 /tmp/<log>.log

2.2 tmux 实战经验

在实际安装中，优先遵循以下经验：

• 会话名固定，避免重复创建多个安装会话。
• 会话启动后先 source ~/.bashrc，确保宿主 shell 能正确拿到 conda 初始化。
• 每一段命令前打印阶段标题和时间戳，便于回看日志。
• 同一会话内串行发送命令；只有确认 shell 返回 prompt 后再发下一段。
• tmux capture-pane 能看到实时状态，但 tee/pip 有时会缓冲；必要时同时检查 /tmp/*.log 和进程状态。
• 若要确认会话是否空闲，可向 tmux 发送一个空回车，再抓 pane 输出。
• 长下载阶段不要误判为卡死；结合临时文件大小、ps、日志一起判断。
• 环境状态优先用环境目录和 $PYTHON 做验证，不要依赖前台 conda info / conda env list。

2.3 环境准备

source ~/.bashrc 2>/dev/null || true
which conda && conda --version
ls /usr/local/cuda*/version.txt 2>/dev/null || nvcc --version 2>/dev/null

2.4 创建 conda 环境

conda create -n <env_name> python=<version> pip -y

若 conda 因插件、虚拟包或求解器报错，优先尝试：

export CONDA_NO_PLUGINS=true
conda create --solver=classic -n <env_name> python=<version> pip -y

创建后统一使用绝对路径：

CONDA_PREFIX=/home/dzp62442/miniconda3/envs/<env_name>
PYTHON=$CONDA_PREFIX/bin/python
PIP="$PYTHON -m pip"

2.5 核心库安装

优先使用环境内 Python 直接调用 pip，不要默认用 conda run -n ... pip 跑大下载任务。

$PIP install --upgrade pip wheel
$PIP install "numpy==<version>"
$PIP install torch==<version> torchvision==<version> torchaudio==<version> \
  --index-url https://download.pytorch.org/whl/cu<cuda_suffix>

若项目后续编译扩展，且 torch 的 C++ 扩展需要 pkg_resources，则在扩展编译前先执行：

$PIP install 'setuptools<81'

2.6 安装其余 Python 依赖

$PIP install -r requirements.txt

安装后需要重新核对以下核心版本是否被覆盖：

• numpy
• setuptools
• pillow
• requests

若与方案不符，要记录并决定是否回钉。

2.7 MMCV 生态

仅在项目实际使用 MMCV 生态时安装：

$PIP install openmim
$CONDA_PREFIX/bin/mim install mmcv-full==<version>
$CONDA_PREFIX/bin/mim install mmdet==<version>
$CONDA_PREFIX/bin/mim install mmsegmentation==<version>
$CONDA_PREFIX/bin/mim install mmdet3d==<version>

2.8 常见 CUDA 扩展编译经验

编译前先设置：

export CUDA_HOME=/usr/local/cuda-11.8
export PATH=$CUDA_HOME/bin:$PATH
export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH

统一经验：

• 先装 torch，再编译本地 CUDA 扩展。
• 本地扩展默认优先尝试 --no-build-isolation，避免隔离环境看不到 torch。
• simple-knn 和 diff-gaussian-rasterization 可直接用同一模式安装：

$PIP install -v --no-build-isolation submodules/simple-knn
$PIP install -v --no-build-isolation submodules/diff-gaussian-rasterization

• 若同时存在 croco/models/curope 和 dust3r/croco/models/curope，要按实际导入路径编译；很多仓库实际走 dust3r/croco，此时不能只编根目录副本：

cd croco/models/curope && $PYTHON setup.py build_ext --inplace
cd <repo_root>
cd dust3r/croco/models/curope && $PYTHON setup.py build_ext --inplace

阶段 3：验证与汇报

3.1 基础验证

优先使用环境内 Python 验证，不直接依赖 conda info / conda env list。

优先验证：

$PYTHON - <<'EOF'
import torch
print('torch', torch.__version__)
print('cuda', torch.version.cuda)
print('cuda_available', torch.cuda.is_available())
EOF

3.2 扩展与业务验证

若直接导入自定义扩展报 libc10.so / libtorch*.so 找不到，先显式 import torch，必要时补：

export LD_LIBRARY_PATH=$CONDA_PREFIX/lib/python3.11/site-packages/torch/lib:$CUDA_HOME/lib64:$LD_LIBRARY_PATH

验证时按“通用扩展 → 项目入口”两层做：

$PYTHON - <<'EOF'
import torch
import simple_knn._C
import diff_gaussian_rasterization
print('gaussian extensions ok')
EOF

然后补充项目实际入口导入，例如 from mast3r.model import AsymmetricMASt3R、import mmcv、import pointops。若不再出现 Warning, cannot find cuda-compiled version of RoPE2D，说明对应 curope 已编译到实际导入路径。

3.3 汇报格式

汇报必须包含：

• 最终环境名与激活命令
• 关键版本：Python / torch / CUDA / numpy
• requirements.txt 是否新建或修订
• 已安装并验证通过的扩展
• 踩坑记录：问题 → 原因 → 解决方式
• 尚未完成的项

常见问题速查