Conda 完整操作手册

适用：Windows / Linux / macOS，包含虚拟环境、导出迁移避坑指南、缓存清理、conda‑pip 混用风险、常见报错排查。

一、基础信息命令（只读，无风险）

命令	作用
`conda --version`	查看当前 conda 版本
`conda -V`	查看 conda 版本（简写）
`conda --help`	查看 conda 全局帮助文档
`conda info`	查看 conda 全部信息：环境路径、缓存目录、源、磁盘占用
`conda info --envs`	列出所有已创建虚拟环境（和 `conda env list` 等价）

更新 conda

1	`conda update conda`

二、虚拟环境管理（核心板块）

1. 创建环境

基础创建（指定 Python 版本，推荐写法）

# 创建空环境，指定 Python 版本
conda create -n lidar_seg python=3.12

-n 全称 --name，后面跟你的环境名称

从 yml 配置文件恢复/克隆环境（你最近实操过的重点）

conda env create -f environment_full.yml

⚠️ 非常重要规则：新建出来的环境名字 优先读取 yml 文件第一行 name: 字段，和yml文件名没有任何关系。强制覆盖 yml 内的环境名：

conda env create -f environment_full.yml -n new_env_name

2. 查看所有虚拟环境

conda env list
# 等价命令
conda info --envs

3. 激活 / 进入环境

# Windows(CMD/PowerShell)、Linux、Mac通用新版写法
conda activate lidar_seg

提示符最前面 (lidar_seg) 代表你已经成功进入该环境。

4. 退出当前环境，回到 base

1	`conda deactivate`

5. 删除虚拟环境（彻底移除）

两种等价写法，必须带上 --all，否则只会卸载包不会删除环境文件夹

conda remove --name lidar_seg --all
# 推荐简写，语义更清晰
conda env remove -n lidar_seg

删除前最好先退出环境，不要在环境内部删除自己。

三、环境导出与迁移（三大导出方案详解，重点避坑）

你踩过的坑：conda env export 导出会连带记录 pip 安装包，重建时自动执行 pip 安装。

三种导出方式对比表

导出方案	命令	优点	缺点	最佳适用场景
全量导出（完整克隆）	`conda env export -n py312 > environment_full.yml`	100%复刻当前环境所有包（conda包+pip包），版本完全锁定	包含平台信息，Windows导出yml不能直接给Linux用	同一台电脑备份、同操作系统机器迁移
不带构建信息导出	`conda env export -n py312 --no-builds > environment_nobuilds.yml`	移除平台构建标识，同操作系统不同机器兼容性提升	依旧包含 pip 包列表，仍不可跨 Windows‑Linux	Windows→Windows，Linux→Linux 迁移
仅历史依赖导出（纯净项目文件）	`conda env export -n py312 --from-history > environment_history.yml`	文件精简，跨平台兼容；只保留你手动conda install安装过的包，不包含隐式依赖、pip包	不会导出 pip 安装过的库，重建后pip包需要手动重装	项目仓库提交、多人协作、跨操作系统迁移

💡 实操建议：

本机备份环境 → 全量导出 environment_full.yml

给项目仓库上传环境文件 → --from-history 纯净版

重建环境通用命令

conda env create -f environment_full.yml

四、包管理（conda 安装卸载更新）

注意：conda list 只会列出 conda + pip 全部已安装包（在激活环境后执行）

# 查看当前环境所有安装包
conda list

# 搜索远程仓库是否存在该包
conda search numpy

# 安装最新版包
conda install numpy

# 安装指定版本包
conda install numpy=2.1.0

# 更新包到最新版本
conda update numpy

# 卸载包
conda uninstall numpy
# 等价
conda remove numpy

卸载环境里所有包≠删除环境，删除环境请回到上方「虚拟环境删除」命令

五、conda 缓存清理命令（释放C盘/磁盘空间）

清理缓存不会破坏你已经建好、正在使用的虚拟环境，只是清理下载过的安装包缓存。

命令	清理内容	风险等级	使用场景
`conda clean -p`	删除没有任何环境引用的解压包	✅ 安全（首选）	日常清理，优先推荐
`conda clean -t`	删除缓存目录下 `.tar.bz2` / `.conda` 原始压缩包	✅ 安全	释放大量磁盘空间
`conda clean -i`	删除源索引缓存文件	✅ 安全	换源后，搜索包异常、索引报错
`conda clean -pt`	清理无用解压包 + 压缩包	✅ 安全	常规综合清理
`conda clean -pti`	三合一：-p -t -i	✅ 安全	一键温和清理，定期维护
`conda clean -a`	清空全部pkgs缓存目录	⚠️谨慎	磁盘空间严重不足；后续新建环境所有包必须重新下载

六、Python版本管理（环境内切换Python）

⚠️ 建议创建环境时就指定好 Python 版本，中途修改版本容易引发依赖混乱

# 在已激活环境中更换Python版本
conda install python=3.11

# 更新当前Python到conda仓库最新小版本
conda update python

七、conda 与 pip 的区别 & 混用风险（高频大坑）

核心区别

conda：包管理器 + 环境管理器；可安装 Python / C/C++/CUDA 等非Python二进制依赖；自动解决全链路依赖。
pip：仅 Python 包管理器；无法管理 CUDA、cudnn 等底层库，依赖冲突不会自动处理。

混用风险（重点！）

在同一个 conda 环境中先后使用 conda install、pip install 安装包，很容易破坏 conda 的依赖追踪，后续 conda 更新、卸载包时出现诡异报错。

八、配套开发常用附加命令（深度学习/你的点云项目）

GPU 状态监控(NVIDIA显卡)

# 实时刷新GPU状态，每秒刷新一次
nvidia-smi -l 1

Tensorboard 可视化

# 本地查看日志
tensorboard --logdir=log/water_surface/2026-04-01_23-10/tensorboard

# 远程服务器打开，允许外部访问，端口6006
tensorboard --logdir=log/Vaihingen3D/2026-03-08_15-29/tensorboard --host=0.0.0.0 --port=6006

十、常见问题排查清单（结合你刚才yml重建案例）

重建yml环境，conda activate xxx 提示找不到环境
原因：yml文件内name:字段名字≠你预想名字
排查方案：conda env list查看真实环境名，或直接打开yml查看第一行name:的值
重建yml时出现 FutureWarning
属于警告，不是报错，环境创建成功无需处理
yml重建环境，pip依赖安装失败
检查网络；可修改yml中pip镜像源；或者删掉yml内pip:节点手动pip安装
导出yml重建后包缺失
如果你用了--from-history导出，pip安装过的包不会被导出，需要手动重装pip库

# Conda 完整操作手册

> 适用：Windows / Linux / macOS，包含虚拟环境、导出迁移避坑指南、缓存清理、conda‑pip 混用风险、常见报错排查。

## 一、基础信息命令（只读，无风险）

| 命令                | 作用                                                  |
| ------------------- | ----------------------------------------------------- |
| `conda --version`   | 查看当前 conda 版本                                   |
| `conda -V`          | 查看 conda 版本（简写）                               |
| `conda --help`      | 查看 conda 全局帮助文档                               |
| `conda info`        | 查看 conda 全部信息：环境路径、缓存目录、源、磁盘占用 |
| `conda info --envs` | 列出所有已创建虚拟环境（和 `conda env list` 等价）    |

### 更新 conda

```bash
conda update conda
```

---

## 二、虚拟环境管理（核心板块）

### 1. 创建环境

#### 基础创建（指定 Python 版本，推荐写法）

```bash
# 创建空环境，指定 Python 版本
conda create -n lidar_seg python=3.12
```

- `-n` 全称 `--name`，后面跟你的**环境名称**

#### 从 yml 配置文件恢复/克隆环境（你最近实操过的重点）

```bash
conda env create -f environment_full.yml
```

> ⚠️ 非常重要规则：
> 新建出来的环境名字 **优先读取 yml 文件第一行 `name:` 字段**，**和yml文件名没有任何关系**。
> 强制覆盖 yml 内的环境名：

```bash
conda env create -f environment_full.yml -n new_env_name
```

### 2. 查看所有虚拟环境

```bash
conda env list
# 等价命令
conda info --envs
```

### 3. 激活 / 进入环境

```bash
# Windows(CMD/PowerShell)、Linux、Mac通用新版写法
conda activate lidar_seg
```

> 提示符最前面 `(lidar_seg)` 代表你已经成功进入该环境。

### 4. 退出当前环境，回到 base

```bash
conda deactivate
```

### 5. 删除虚拟环境（彻底移除）

两种等价写法，**必须带上 `--all`**，否则只会卸载包不会删除环境文件夹

```bash
conda remove --name lidar_seg --all
# 推荐简写，语义更清晰
conda env remove -n lidar_seg
```

> 删除前最好先退出环境，不要在环境内部删除自己。

---

## 三、环境导出与迁移（三大导出方案详解，重点避坑）

> 你踩过的坑：`conda env export` 导出会连带记录 pip 安装包，重建时自动执行 pip 安装。

### 三种导出方式对比表

| 导出方案                       | 命令                                                                 | 优点                                                                                 | 缺点                                              | 最佳适用场景                           |
| ------------------------------ | -------------------------------------------------------------------- | ------------------------------------------------------------------------------------ | ------------------------------------------------- | -------------------------------------- |
| 全量导出（完整克隆）           | `conda env export -n py312 > environment_full.yml`                   | 100%复刻当前环境所有包（conda包+pip包），版本完全锁定                                | 包含平台信息，**Windows导出yml不能直接给Linux用** | **同一台电脑备份、同操作系统机器迁移** |
| 不带构建信息导出               | `conda env export -n py312 --no-builds > environment_nobuilds.yml`   | 移除平台构建标识，同操作系统不同机器兼容性提升                                       | 依旧包含 pip 包列表，仍不可跨 Windows‑Linux       | Windows→Windows，Linux→Linux 迁移      |
| 仅历史依赖导出（纯净项目文件） | `conda env export -n py312 --from-history > environment_history.yml` | 文件精简，**跨平台兼容**；只保留你手动conda install安装过的包，不包含隐式依赖、pip包 | 不会导出 pip 安装过的库，重建后pip包需要手动重装  | 项目仓库提交、多人协作、跨操作系统迁移 |

> 💡 实操建议：
>
> 1. 本机备份环境 → **全量导出 `environment_full.yml`**
> 2. 给项目仓库上传环境文件 → **`--from-history` 纯净版**

### 重建环境通用命令

```bash
conda env create -f environment_full.yml
```

---

## 四、包管理（conda 安装卸载更新）

> 注意：conda list 只会列出 conda + pip 全部已安装包（在激活环境后执行）

```bash
# 查看当前环境所有安装包
conda list

# 搜索远程仓库是否存在该包
conda search numpy

# 安装最新版包
conda install numpy

# 安装指定版本包
conda install numpy=2.1.0

# 更新包到最新版本
conda update numpy

# 卸载包
conda uninstall numpy
# 等价
conda remove numpy
```

> 卸载环境里所有包≠删除环境，删除环境请回到上方「虚拟环境删除」命令

---

## 五、conda 缓存清理命令（释放C盘/磁盘空间）

> 清理缓存**不会破坏你已经建好、正在使用的虚拟环境**，只是清理下载过的安装包缓存。

| 命令               | 清理内容                                        | 风险等级        | 使用场景                                         |
| ------------------ | ----------------------------------------------- | --------------- | ------------------------------------------------ |
| `conda clean -p`   | 删除没有任何环境引用的解压包                    | ✅ 安全（首选） | 日常清理，优先推荐                               |
| `conda clean -t`   | 删除缓存目录下 `.tar.bz2` / `.conda` 原始压缩包 | ✅ 安全         | 释放大量磁盘空间                                 |
| `conda clean -i`   | 删除源索引缓存文件                              | ✅ 安全         | 换源后，搜索包异常、索引报错                     |
| `conda clean -pt`  | 清理无用解压包 + 压缩包                         | ✅ 安全         | 常规综合清理                                     |
| `conda clean -pti` | 三合一：-p -t -i                                | ✅ 安全         | 一键温和清理，定期维护                           |
| `conda clean -a`   | **清空全部pkgs缓存目录**                        | ⚠️谨慎          | 磁盘空间严重不足；后续新建环境所有包必须重新下载 |

---

## 六、Python版本管理（环境内切换Python）

**⚠️ 建议创建环境时就指定好 Python 版本，中途修改版本容易引发依赖混乱**

```bash
# 在已激活环境中更换Python版本
conda install python=3.11

# 更新当前Python到conda仓库最新小版本
conda update python
```

---

## 七、conda 与 pip 的区别 & 混用风险（高频大坑）

### 核心区别

1. **conda**：包管理器 + 环境管理器；可安装 Python / C/C++/CUDA 等非Python二进制依赖；自动解决全链路依赖。
2. **pip**：仅 Python 包管理器；无法管理 CUDA、cudnn 等底层库，依赖冲突不会自动处理。

### 混用风险（重点！）

- 在同一个 conda 环境中先后使用 conda install、pip install 安装包，**很容易破坏 conda 的依赖追踪**，后续 conda 更新、卸载包时出现诡异报错。

#### 推荐原则

1. 优先使用 `conda install` 安装包；conda源找不到时，再使用 `pip install`。
2. 一旦混用，导出 yml 文件时 pip 安装的包会被写入 yml 的 `pip:` 节点；重建环境 conda 会自动调用 pip 重装，就像你上次重建 `py312` 环境日志里的流程。

---

## 八、配套开发常用附加命令（深度学习/你的点云项目）

### GPU 状态监控(NVIDIA显卡)

```bash
# 实时刷新GPU状态，每秒刷新一次
nvidia-smi -l 1
```

### Tensorboard 可视化

```bash
# 本地查看日志
tensorboard --logdir=log/water_surface/2026-04-01_23-10/tensorboard

# 远程服务器打开，允许外部访问，端口6006
tensorboard --logdir=log/Vaihingen3D/2026-03-08_15-29/tensorboard --host=0.0.0.0 --port=6006
```

---

## 十、常见问题排查清单（结合你刚才yml重建案例）

1. 重建yml环境，`conda activate xxx` 提示找不到环境
   - 原因：yml文件内`name:`字段名字≠你预想名字
   - 排查方案：`conda env list`查看真实环境名，或直接打开yml查看第一行`name:`的值
2. 重建yml时出现 `FutureWarning`
   - 属于警告，**不是报错**，环境创建成功无需处理
3. yml重建环境，pip依赖安装失败
   - 检查网络；可修改yml中pip镜像源；或者删掉yml内`pip:`节点手动pip安装
4. 导出yml重建后包缺失
   - 如果你用了`--from-history`导出，pip安装过的包不会被导出，需要手动重装pip库