Conda vs Pip: Por qué FaceFusion no puede vivir sin CUDA encapsulado

Si alguna vez te has enfrentado a una línea como conda install nvidia/label/cuda-12.9.1::cuda-runtime, probablemente te hayas preguntado qué demonios estás instalando exactamente. Al principio, parece intimidante, pero el significado es bastante directo: le estás pidiendo al gestor de paquetes Conda que instale versiones específicas de librerías como CUDA y cuDNN directamente desde los repositorios oficiales de NVIDIA.

El truco está en el comando label. Con esa etiqueta, estás forzando una versión concreta del software y eligiendo solo instalar el runtime, no el toolkit completo de compilación. Esto significa que obtienes exactamente lo necesario para ejecutar software que usa CUDA, encapsulado dentro de tu entorno virtual, sin tocar nada del sistema global.

Por qué Pip se queda corto frente a Conda

Ahora viene la parte interesante: ¿por qué no basta con usar pip install torch --index-url...? La respuesta es que el mundo de Python puro tiene limitaciones claras. Cuando usas pip, cada framework como PyTorch o ONNX trae consigo su propia copia privada de las librerías CUDA dentro de sus carpetas.

Aquí es donde Conda brilla porque funciona como un gestor híbrido: maneja tanto paquetes Python como binarios nativos (DLLs y archivos .so). Al instalar el runtime de NVIDIA con la etiqueta correcta, obtienes control fino sobre las versiones sin que los proyectos entre sí se peleen por recursos compartidos.

En el caso de herramientas como FaceFusion, que dependen fuertemente del backend CUDA a través de ONNX Runtime, usar solo pip se queda corto. Sin un control fino sobre las versiones y sin aislar los binarios nativos, es muy fácil terminar con errores de carga o dependencias rotas.

¿Es necesario instalar CUDA en el sistema?

Un punto clave para entender todo esto es separar el driver del runtime. El driver NVIDIA siempre debe estar instalado a nivel global, ya que él es quien habla con la tarjeta gráfica. Pero una vez que tienes ese driver, no necesitas instalar el CUDA Toolkit completo en tu sistema operativo.

Puedes tener un entorno donde Conda maneja su propio runtime aislado, mientras que pip usa sus propias copias privadas para frameworks específicos. Instalar CUDA a nivel del sistema es correcto y válido, pero puede ser rígido y crear conflictos si tienes varias aplicaciones pidiendo versiones distintas.

En resumen, usar Conda no es solo una moda, sino la vía menos dolorosa para gestionar el stack CUDA en proyectos modernos como FaceFusion. Aunque evitar reinstalar entornos puede parecer tentador al principio, ahorrarte el tiempo de depurar dependencias rotas y versiones fantasma es mucho más valioso.