PythonとWSL開発のトラブルシューティング: PyCharmとCondaの環境不一致問題

PythonとWSL開発のトラブルシューティング: PyCharmとCondaの環境不一致問題

こんにちは!

今回は、WSL上のConda環境をPyCharmから利用する際に発生した「同じ環境なのにパッケージリストが一致しない」という問題に遭遇したため、その原因と対策について書いてみたいとおもいます

問題の状況

開発の流れは以下のようなものでした

  1. WSL環境でConda仮想環境を作成
  2. その環境をPyCharmのプロジェクトインタプリタとして設定
  3. 開発を進める中で奇妙な現象に気づく

具体的には、次のような不一致が発生していました

  • PyCharmのプロジェクト設定で表示されるpipパッケージのリスト
  • WSLでConda環境をアクティベートした後にpip listコマンドで表示されるパッケージのリスト

これらが一致せず、「WSL側のシェルから直接インストールしたパッケージがPyCharmで認識されない」という問題が生じていました。

この手の問題でよくある原因は、PyCharm側がWSL側の更新を得るのに少し時間がかかったり、 Indexing が遅れているなどなのですが、今回はそれが原因ではありませんでした。

危険な「静かな失敗」

この問題の最も厄介な点は、何のエラーメッセージも表示されないことです。ユーザーにとっては全く通常通りの操作に見えるため、問題の存在に気づくことすら難しいのです。

(my_conda_env) user@wsl:~$ conda activate my_conda_env
(my_conda_env) user@wsl:~$ pip install numpy  # 成功したように見える!

上記のコマンドは一見すると成功しているように見えます。プロンプトには(my_conda_env)と表示され、pipコマンドも正常に実行されています。しかし実際には、パッケージはConda環境にはインストールされていませんでした。

これは非常にやっかいな「静かな失敗」です。

わたしは確かにConda環境内で作業していると思い込みますが、実際のパッケージインストールは全く別の場所で行われています。この問題に気づかないまま開発を続けると、後になって原因不明のエラーや環境の不一致に悩まされることになります。

原因の調査

WSL側で環境を調査したところ、問題の根本原因が判明しました:

(qualiteg_ml_dev_env) qualiteg_dev@LLM-Inf-Dev:~$ which pip
/home/qualiteg_dev/.local/bin/pip

Conda環境がアクティベートされているにもかかわらず、which pipコマンドはCondaの環境内のpipではなく、ユーザーのホームディレクトリにある.local/bin/pipを指していました。本来であれば、Conda環境内のpipが使用されるべきなのに。。

つまりいくらWSL側でpip installを実行しても、パッケージはConda環境ではなくユーザーの.localディレクトリにインストールされていたのです。一方、PyCharmは正しくConda環境のpipを使用していたため、パッケージリストに不一致が生じていました。

問題の見つけ方と検証

この「静かな失敗」に気づくには、以下のような確認作業が重要でした

  1. PyCharmとの不一致確認
    PyCharmのパッケージリストと、WSLのconda listpip listの出力を比較して、不一致があれば同様の問題が疑われます。

インストール前後のパッケージリスト比較

(my_conda_env) user@wsl:~$ conda list numpy  # インストール前
(my_conda_env) user@wsl:~$ pip install numpy
(my_conda_env) user@wsl:~$ conda list numpy  # インストール後

pip経由でインストールしたはずのパッケージがconda listに表示されない場合、問題が発生しています。

環境アクティベート後のパスの確認

(my_conda_env) user@wsl:~$ which pip

このコマンドの結果がConda環境内(例:/home/user/anaconda3/envs/my_conda_env/bin/pip)を指していない場合は警戒信号ですね。

.bashrcファイルの問題

なぜおかしな現象になるのかとおもい、

.bashrcファイルを調査したところ、PATHの設定に問題があることがわかりました

# 問題のある.bashrc設定
export PATH=$PATH:/home/qualiteg_dev/.local/bin
export PATH=~/anaconda3/bin:$PATH

# >>> conda initialize >>>
# !! Contents within this block are managed by 'conda init' !!
__conda_setup="$('/home/qualiteg_dev/anaconda3/bin/conda' 'shell.bash' 'hook' 2> /dev/null)"
if [ $? -eq 0 ]; then
    eval "$__conda_setup"
else
    if [ -f "/home/qualiteg_dev/anaconda3/etc/profile.d/conda.sh" ]; then
        . "/home/qualiteg_dev/anaconda3/etc/profile.d/conda.sh"
    else
        export PATH="/home/qualiteg_dev/anaconda3/bin:$PATH"
    fi
fi
unset __conda_setup
# <<< conda initialize <

export PATH=~/anaconda3/bin:$PATH

問題点は2つありました:

  1. .local/binのPATHが$PATH:/home/qualiteg_dev/.local/binという形で追加されており、システムパスの後ろに追加されていた
  2. Conda初期化ブロックの後に重複したPATH設定があった

これにより、Conda環境をアクティベートしても、.local/binディレクトリにあるpipが優先的に使用されてしまっていました。

問題の影響

この「静かな失敗」のせいで、いろいろ時間がかかりました

  1. 幻想的な開発環境:
    Conda環境内で作業していると思い込みますが、実際には環境の分離が機能していなかった
    シェル側でちゃんと仮想環境に入ってるのに pip install,pip uninstallを繰り返してもPyCharm側は一切変わらず
    一連のトラブルシューティングの中でPyCharmを最新版にできたのは良い副作用でした(^^;)
  2. デバッグの悪夢
    エラーメッセージが出ないため、問題の根本原因を特定するのが非常に難しくなります。「インストールしたはずのパッケージがない」「同じ環境なのに動作が異なる」といった謎のエラーに悩まされました

解決策

この問題を解決するために、具体的には以下のような方法をとりました

1. .bashrcの修正

PATHの設定順序を変更して、Conda環境のPATHが優先されるように修正します:

# 変更前
export PATH=$PATH:/home/qualiteg_dev/.local/bin

# 変更後(先頭に追加)
export PATH=/home/qualiteg_dev/.local/bin:$PATH

また、Conda初期化ブロックの後の重複したPATH設定行を削除します:

# 削除する行
export PATH=~/anaconda3/bin:$PATH

2. 明示的にPythonモジュールとしてpipを実行

最も安全で確実な方法は、常に以下の形式でpipを実行することです:

python -m pip install パッケージ名

この方法は、現在アクティブなPython環境(この場合はConda環境)に関連付けられたpipを確実に使用するため、環境の不一致問題を防ぐことができます。この習慣をつけることで、仮想環境の管理が格段に安定します。

事前の環境検証習慣

もともとWSL環境は一時的な開発環境という意識が強いため、あまり環境構築の手順について厳密に管理していなかったため、いつのまにやら .bashrc が書き換えられてしまいましたが、本来は、新しいプロジェクトを始める前に、以下の検証手順を習慣化することが重要です。

  1. PyCharmとWSLの一貫性チェック
    新しいプロジェクトを設定した後、簡単なテストパッケージをインストールして、PyCharmとWSL両方で認識されることを確認します。

環境検証コマンド(例)

# Conda環境をアクティベート
conda activate my_env

# 以下が全てConda環境内を指しているか確認
which python
which pip

# テストインストールと確認
python -m pip install pytest
conda list pytest

まとめ

WSLでConda環境を作成し、PyCharmから使用する場合の「静かな失敗」は、特にやっかいでした。
エラーメッセージが表示されないため、問題の存在に気づかないままプロジェクトを進行させ、後になって原因不明のトラブルに悩まされました。

このような問題を防ぐには、環境アクティベート後にwhich pipで使用されるpipの場所を確認する習慣(または確認ツールが良いでしょう)をつけ、可能な限りpython -m pip形式でパッケージをインストールするのがよさそうです。
また、定期的にWSLとPyCharm間のパッケージリストの一貫性を確認することで、潜在的な問題を早期に発見できますね。

Pythonの仮想環境は強力なツールですが、WSL側の管理がだらしないと、このような「静かな失敗」が発生して、自分の時間を奪ってしまいますので、注意が必要ですね!

Read more

システムとcondaのC++標準ライブラリ(libstdc++)のバージョン違い問題による事象と対処法解説

システムとcondaのC++標準ライブラリ(libstdc++)のバージョン違い問題による事象と対処法解説

こんにちは! 先日、dlibをつかったPythonアプリケーション(conda環境で動作する)作っていたところ、以下のようなエラーに遭遇しました。 ImportError: /home/mlu/anaconda3/envs/example_env/bin/../lib/libstdc++.so.6: version `GLIBCXX_3.4.32' not found (required by /home/mlu/anaconda3/envs/example_env/lib/python3.10/site-packages/_dlib_pybind11.cpython-310-x86_64-linux-gnu.so) 「dlib_pybind11モジュールがGLIBCXX_3.4.32を要求してるけど、みつからない!」という感じのエラーですね。

By Qualiteg プロダクト開発部
LLM推論基盤プロビジョニング講座 第2回 LLMサービスのリクエスト数を見積もる

LLM推論基盤プロビジョニング講座 第2回 LLMサービスのリクエスト数を見積もる

こんにちは! 今回はLLM推論基盤プロビジョニング講座 第2回です! STEP2 LLMサービスへのリクエスト数見積もり それでは、早速、LLM推論基盤プロビジョニングの第2ステップである「リクエスト数見積もり」の重要性と方法を解説いたします。 LLMサービスを構築する際に必要となるGPUノード数を適切に見積もるためには、まずサービスに対して想定されるリクエスト数を正確に予測する必要があります。 リクエスト数見積もりの基本的な考え方 LLMサービスへの想定リクエスト数から必要なGPUノード数を算出するプロセスは、サービス設計において非常に重要です。過小評価すればサービス品質が低下し、過大評価すれば無駄なコストが発生します。このバランスを適切に取るための基礎となるのがリクエスト数の見積もりです。 想定リクエスト数の諸元 リクエスト数を見積もるための5つの重要な要素(諸元)をみてみましょう。 1. DAU(Daily Active Users): 1日あたりの実際にサービスを利用するユーザー数です。これはサービスの規模を示す最も基本的な指標となります。 2. 1日

By Qualiteg コンサルティング
Zoom会議で肩が踊る?自動フレーミング映像安定化とAIによる性能向上の可能性

Zoom会議で肩が踊る?自動フレーミング映像安定化とAIによる性能向上の可能性

こんにちは! 本日は、自動フレーミング映像の安定化に関するアルゴリズム・ノウハウを解説いたします 第1章 問題の背景と目的 バストアップ映像を撮影する際、特にオンラインミーティングやYouTubeなどのトーク映像では、人物がうなずく、首を振るなどの自然な動作をした際に「首まわりや肩がフレーム内で上下に移動してしまう」という現象がしばしば起こります。これは、多くの場合カメラや撮影ソフトウェアが人物の「目や顔を画面中央に保とう」とする自動フレーミング機能の働きに起因します。 撮影対象の人物が頭を下げた際に、映像のフレーム全体が相対的に上方向へシフトし、その結果、本来動いていないはずの肩の部分が映像内で持ち上がっているように見えてしまう現象です。 本稿では、この問題を撮影後の後処理(ポストプロセッシング)のみを用いて、高速、高い精度かつロバストに解決する手法をご紹介します。 前半では、従来のCV(コンピュータービジョン)の手法を使い高速に処理する方法をご紹介します。後半では、AIを使用してより安定性の高い性能を実現する方法について考察します。 第2章 古典手法による肩の上下

By Qualiteg 研究部
LLM推論基盤プロビジョニング講座 第1回 基本概念と推論速度

LLM推論基盤プロビジョニング講座 第1回 基本概念と推論速度

こんにちは! 本日は LLMサービスの自社構築する際の推論基盤プロビジョニング、GPUプロビジョニングについて数回にわけて解説いたします。 はじめに LLMの進化に伴い、ChatGPTやClaudeといったパブリックなLLMの活用は企業においても急速に広がってきました。しかし先進的な企業はこれらの汎用LLMに加えて、「領域特化型」「ドメイン特化型」といった専用LLMの構築へと歩みを進めています。こうした動きの背景には、企業固有の専門知識への対応力強化と情報セキュリティの確保という二つの重要なニーズがあります。 一般的なパブリックLLMでは対応できない企業固有の専門知識や機密情報の取り扱いが必要なケースが増えているため、自社LLMの構築や自社サーバーでの運用を検討する企業が急増しています。特に金融、医療、製造、法務といった専門性の高い領域では、業界特化型の独自LLMが競争優位性をもたらすと認識されています。 しかし、業界特化型のLLMを自社で運用することは簡単ではありません。自社運用を決断した場合、まず最初に取り組むべきは適切な推論環境の整備です。オンプレミス環境を構築するに

By Qualiteg コンサルティング