VLT 虚拟环境迁移说明
本文档总结当前机器上的 VLT conda 环境，用于在另一台电脑上重新配置相近环境。
1. 当前环境概况
- 环境名：
VLT - Python：
3.11.14 - PyTorch：
2.10.0+cu128 - torchvision：
0.25.0+cu128 - torchaudio：
2.10.0 - torchdata：
0.11.0 - PyTorch CUDA runtime：
12.8 - cuDNN：
9.10.2 - NCCL：
2.27.5 - 当前机器 NVIDIA Driver：
560.35.05 - 当前机器 CUDA Driver API：
12.6
注意：这个环境里的 PyTorch 是 CUDA 12.8 wheel。新机器的 NVIDIA 驱动需要足够新，建议使用 560+ 或更新版本。
2. 推荐创建方式
建议先创建干净 conda 环境，再用 pip 安装核心依赖：
conda create -n VLT python=3.11.14 pip -y
conda activate VLT
安装 PyTorch CUDA 12.8 版本：
pip install torch==2.10.0 torchvision==0.25.0 torchaudio==2.10.0 --index-url https://download.pytorch.org/whl/cu128
然后安装视觉跟踪、VLM、训练相关依赖：
pip install \
timm==1.0.25 \
numpy==2.3.5 \
opencv-python==4.13.0.92 \
opencv-python-headless==4.13.0.92 \
pillow==11.3.0 \
scipy==1.17.0 \
scikit-image==0.26.0 \
pandas==2.3.3 \
matplotlib==3.10.8 \
pycocotools==2.0.11 \
lmdb==1.8.1 \
easydict==1.13 \
omegaconf==2.3.0 \
einops==0.8.2 \
tqdm==4.67.1 \
visdom==0.2.4 \
tensorboard==2.20.0 \
tensorboardX==2.6.4 \
nltk==3.9.4 \
openai==2.29.0 \
transformers==5.10.2 \
accelerate==1.11.0 \
datasets==4.0.0 \
peft==0.18.0 \
trl==0.24.0 \
deepspeed==0.18.4 \
gradio==5.50.0 \
fastapi==0.128.0 \
uvicorn==0.40.0 \
modelscope==1.34.0
安装 OpenMMLab 相关包：
pip install mmengine==0.10.7 mmdet==3.3.0 mmcv==2.1.0
如果 mmcv 安装失败，优先根据新机器的 PyTorch/CUDA 版本选择 OpenMMLab 官方预编译 wheel；不要盲目源码编译。
3. 当前环境中的关键包版本
跟踪/视觉相关
timm 1.0.25
opencv-python 4.13.0.92
opencv-python-headless 4.13.0.92
Pillow 11.3.0
numpy 2.3.5
scipy 1.17.0
scikit-image 0.26.0
pycocotools 2.0.11
lmdb 1.8.1
easydict 1.13
omegaconf 2.3.0
einops 0.8.2
visdom 0.2.4
PyTorch/CUDA 相关
torch 2.10.0+cu128
torchvision 0.25.0+cu128
torchaudio 2.10.0
torchdata 0.11.0
triton 3.6.0
nvidia-cublas-cu12 12.8.4.1
nvidia-cudnn-cu12 9.10.2.21
nvidia-nccl-cu12 2.27.5
MLLM/VLM/API 相关
openai 2.29.0
transformers 5.10.2
tokenizers 0.22.2
accelerate 1.11.0
datasets 4.0.0
peft 0.18.0
trl 0.24.0
deepspeed 0.18.4
sentencepiece 0.2.1
tiktoken 0.12.0
modelscope 1.34.0
gradio 5.50.0
fastapi 0.128.0
uvicorn 0.40.0
OpenMMLab 相关
mmcv 2.1.0
mmdet 3.3.0
mmengine 0.10.7
4. 本地 editable 包
当前环境里有一个本地 editable 安装：
llamafactory 0.9.5.dev0 -> /media/data/WWZ/SX/LlamaFactory
如果新机器也需要跑 LLaMA-Factory 相关训练或推理，需要把该仓库同步过去后执行：
cd /path/to/LlamaFactory
pip install -e .
如果只跑 ATCTrack/SUTrack/CTVLT 等跟踪测试，不一定需要这个 editable 包。
5. NLTK 数据
部分代码会下载：
punkt
averaged_perceptron_tagger
如果新机器无法联网，可以从旧机器的 ~/nltk_data 拷贝到新机器同路径，或手动设置：
export NLTK_DATA=/path/to/nltk_data
6. 代理设置
如果新机器访问 HuggingFace、PyPI 或 OpenAI-compatible API 需要代理，可以写入 shell 配置：
export HTTP_PROXY=http://127.0.0.1:7890
export HTTPS_PROXY=http://127.0.0.1:7890
export ALL_PROXY=http://127.0.0.1:7890
7. 验证命令
环境配置完成后，先验证 PyTorch/CUDA：
python - <<'PY'
import torch, torchvision
print("torch:", torch.__version__)
print("torchvision:", torchvision.__version__)
print("cuda available:", torch.cuda.is_available())
print("torch cuda:", torch.version.cuda)
print("cudnn:", torch.backends.cudnn.version())
if torch.cuda.is_available():
print("gpu:", torch.cuda.get_device_name(0))
PY
验证跟踪常用依赖：
python - <<'PY'
import cv2, timm, numpy, pandas, mmcv, mmdet, mmengine
import transformers, openai
print("basic imports ok")
PY
8. 复现完整环境的备选方式
如果希望尽量完整复刻当前环境，可以在旧机器导出：
conda env export -n VLT --no-builds > vlt_environment.yml
在新机器创建：
conda env create -f vlt_environment.yml
但这种方式可能因为 CUDA wheel、OpenMMLab wheel、镜像源或本地 editable 包路径不同而失败。实际迁移时更推荐按本文第 2 节分组安装。