Aug 12, 2026

uv

`uv` 与 `Conda` / `environment.yml` 使用总结

1. `uv` 和 `Conda` 的关系

两者都有 Python 环境和包管理功能，但定位不同：

功能	Conda	uv
Python 版本管理	✅	✅
虚拟环境	✅	✅
Python 包管理	✅	✅
PyPI 包	✅	✅
`pyproject.toml`	部分支持	核心支持
Lock 文件	需要额外工具	`uv.lock`
CUDA / C/C++ 库	强项	❌ 不是主要用途
系统级二进制依赖	可以管理	❌
安装速度	较慢	很快

可以简单理解为：

Conda
= Python 环境 + Python 包 + 非 Python 二进制依赖

uv
= Python 环境 + Python 包 + 项目依赖/Lock

2. 常见命令对应关系

Conda

conda create -n myenv python=3.11
conda activate myenv
conda install numpy
pip install torch

uv

uv python install 3.11
uv venv --python 3.11
source .venv/bin/activate

uv pip install numpy
uv pip install torch

现代 uv 项目更推荐：

uv init
uv add numpy torch
uv sync

对应关系大致为：

conda create       → uv venv
conda activate     → source .venv/bin/activate
conda install      → uv pip install / uv add
environment.yml    → pyproject.toml
conda-lock         → uv.lock

3. `environment.yml` 能不能直接给 uv 用？

不能直接使用。

例如：

name: myenv

dependencies:
  - python=3.11
  - numpy
  - scipy
  - pip:
      - torch
      - opencv-python

这是 Conda 的环境定义文件。

应该使用：

conda env create -f environment.yml

而不是：

uv ...

uv 没有原生的：

uv create -f environment.yml

4. 如果想从 `environment.yml` 迁移到 uv

不要机械地把所有依赖转换过去。

应该先区分：

environment.yml
│
├── Python
│
├── PyPI Python packages
│
├── Conda Python packages
│
├── CUDA runtime
│
├── C/C++ libraries
│
├── 编译工具链
│
└── Linux 系统库

其中主要可以迁移到 uv 的是：

Python
+
PyPI packages

最终变成：

project/
├── pyproject.toml
├── uv.lock
└── .venv/

5. uv 和 CUDA

需要特别区分：

NVIDIA Driver
       ↓
CUDA Toolkit
       ↓
CUDA Runtime
       ↓
PyTorch

uv 可以安装

Python 环境中的 CUDA runtime，例如：

uv pip install nvidia-cuda-runtime-cu12

以及其他 Python CUDA wheels。

uv 不负责完整安装

例如：

/usr/local/cuda/
├── bin/nvcc
├── include/
├── lib64/
└── ...

这种完整的 CUDA Toolkit 应该通过 NVIDIA 官方安装方式、系统包管理器或 Conda 等方式处理。

所以：

uv pip install nvidia-cuda-runtime-cu12

≠ 安装完整 CUDA Toolkit。

6. 你上传的 `environment.yml`

这个文件是一个比较典型的 Linux + NVIDIA CUDA + PyTorch Conda 环境。

其中核心版本关系是：

Python       3.9.18
PyTorch      2.0.1
CUDA         11.8
cuDNN        8.7
TorchVision  0.15.2
TorchAudio   2.0.2
PyTorch3D    0.7.4
Open3D       0.17.0

尤其重要的是：

PyTorch 2.0.1
    ↓
CUDA 11.8
    ↓
PyTorch3D 0.7.4

其中：

PyTorch3D 0.7.4

对：

Python 3.9
PyTorch 2.0.1
CUDA 11.8

存在较强的版本耦合。

因此不建议直接把这个 environment.yml 全部转换成 uv add。

7. 这个环境的正确迁移思路

如果目标是复现原来的环境：

environment.yml
        │
        ↓
      Conda
        │
        ├── Python
        ├── CUDA
        ├── PyTorch
        ├── PyTorch3D
        └── 底层库

这是最稳妥的方式。

如果目标是把项目迁移到 uv：

environment.yml
        │
        ↓
   分析依赖
        │
 ┌──────┴────────┐
 ↓               ↓
Python/PyPI     Conda/CUDA/系统库
 ↓               ↓
  uv             保留系统/Conda
 │
 ↓
pyproject.toml
 │
 ↓
uv.lock

8. 针对你的情况

你目前涉及：

OpenUSD
Isaac Sim / Isaac Lab
CUDA
PyTorch
Blender
ROS
Python

因此不应该简单采用：

“以后全部从 Conda 换成 uv”

更合理的是：

                 项目环境
                    │
        ┌───────────┴───────────┐
        ↓                       ↓
    系统/底层环境             Python环境
        │                       │
   NVIDIA Driver              uv
   CUDA Toolkit                 │
   C/C++                       .venv
   OpenUSD                     │
   ROS                         ├── PyTorch
                               ├── NumPy
                               ├── OpenCV
                               └── 其他 PyPI 包

一句话：

environment.yml 是 Conda 环境定义；uv 不能直接读取它。对于普通 Python 项目，可以迁移成 pyproject.toml + uv.lock；对于你这个包含 CUDA、PyTorch3D 和大量 Conda 底层库的环境，应该先拆分依赖，再决定哪些交给 uv、哪些继续由 Conda/系统管理。

uv

uv 与 Conda / environment.yml 使用总结

1. uv 和 Conda 的关系