conda create -n pi0-env python=3.10 无法直接安装torchvision，因conda默认通道中无适配Python 3.10的torchvision==0.19.0（仅PyTorch官方pytorch channel提供，且严格绑定CUDA 11.8），混用pip易致ABI不匹配、路径污染及动态链接冲突。
为什么conda create -n pi0-env python=3.10 不能直接装上torchvision
因为PyTorch官方wheel包对torchvision有严格的版本绑定策略，而conda默认通道（defaults）里的torchvision往往滞后或未适配Python 3.10的ABI签名。比如你执行conda install torchvision后，实际装的是0.13.x，但Pi0项目明确要求torchvision==0.19.0——这个版本只在PyTorch官方pytorch channel里提供，且仅支持Python 3.10 + CUDA 11.8组合。
常见错误现象：ImportError: cannot import name '_assert_has_ops' from 'torchvision.extension'，本质是C++扩展模块编译时ABI不匹配。
- 必须显式添加
pytorchchannel并指定cuda-toolkit=11.8 - 不要用
conda install pytorch torchvision这种模糊命令，要写全限定版本 - 如果系统CUDA驱动是12.x，得降级到11.8，否则
torchvision的C++ ops根本加载不了
pip install torchvision==0.19.0+cu118 -f https://download.pytorch.org/whl/torch_stable.html 为何失败
这个命令本身没错，但失败通常发生在conda环境里混用pip——conda会把pip安装的包视为“外部包”，后续conda list看不到，且可能被conda update --all意外覆盖。更关键的是，如果你之前用conda装过旧版torch，pip再装新版torchvision时，动态链接库路径会冲突，导致import torchvision时报Symbol not found。
使用场景：仅当conda通道确实没有你要的wheel时才用pip，且必须加--no-deps跳过依赖重装。
立即学习“Python免费学习笔记（深入）”；
快速生成专业的 Python 脚本和应用代码。一键创建完整项目结构，支持CLI、API、爬虫、Bot、Django等多种项目类型，包含完整的项目结构、配置文件、依赖管理、测试、README和文档。
- 先
conda remove torch torchvision清空conda已装的PyTorch生态 - 再用pip装，且必须带
+cu118后缀，不能只写0.19.0 - 装完立刻运行
python -c "import torchvision; print(torchvision.__version__)"验证
conda activate pi0-env 后 still sees system Python’s site-packages
这是conda环境隔离失效的典型信号，根源往往是PYTHONPATH环境变量污染或用户级.pth文件残留。比如你在~/.local/lib/python3.10/site-packages下手动pip装过全局包，conda激活时会把该路径自动加入sys.path，导致import优先找到系统版torch而非conda环境里的。
性能影响：不仅引发版本冲突，还会让模型加载变慢——Python解释器要遍历更多路径查找模块。
- 检查
echo $PYTHONPATH，非空就unset PYTHONPATH - 运行
python -c "import sys; print('\n'.join(sys.path))"，确认输出里没有~/.local或/usr/local路径 - 删掉
~/.local/lib/python3.10/site-packages/*.pth所有文件（它们会强制注入路径）
torchvision.ops.nms 报错 “undefined symbol: _ZNK3c104Type14isSubtypeOfExtEPKS0_”
这是典型的ABI不兼容错误，说明你当前加载的torchvision二进制是为PyTorch 2.2编译的，但运行时链接的却是PyTorch 2.1的libtorch.so。Python 3.10环境下，这种问题在混合使用conda/pip、或从不同channel安装时高频出现。
容易踩的坑：以为只要torch.__version__和torchvision.__version__看起来匹配就行，其实还得看底层so文件的build hash。
- 用
python -c "import torch; print(torch._C._version)"确认torch底层build ID - 用
ldd $(python -c "import torchvision; print(torchvision.extension.__file__)") | grep libtorch查链接的libtorch路径 - 确保两个路径指向同一个conda env下的
libtorch.so，而不是系统或~/.local里的
torch==2.2.0和torch==2.2.1之间，都可能因内部符号变更导致nms崩溃。别只盯着Python版本，得把torch/torchvision/CUDA三者当成一个原子单元来锁定。 
