Tutoriel , Créer un Environnement Python Virtuel (Conda) pour Projets IA

Tu as installé une librairie Python pour appeler l’API OpenAI. Un an plus tard, un autre projet exige une version différente de la même lib. Ton système plante ou tes scripts se mettent à buguer. Créer un environnement virtuel IA avec Python et Conda évite ça : tu isoles chaque projet (scripts d’automatisation, tests d’API, outils IA locaux) dans son propre « bac à sable ». Ce tutoriel te guide pour installer Conda (ou Miniconda), créer un environnement Python 3.13 dédié aux projets IA, l’activer au quotidien et le partager. Public visé : développeurs ou profils techniques qui abordent la formation IA et ont besoin d’un socle propre. Pour le contexte « pourquoi l’IA générative et quels outils », voir IA générative, définition et fonctionnement et prompt engineering.

Pour aller plus loin avec une demonstration pratique, cette video est directement liee au sujet.

Pourquoi un environnement virtuel pour les projets IA ?

Les projets IA mobilisent souvent des librairies spécifiques (transformers, torch, openai, requests, etc.) avec des versions précises. Sans environnement virtuel, tu installes tout dans le Python système : risque de casser d’autres projets ou des outils qui dépendent d’une autre version. Un environnement dédié (Conda ou venv) isole les dépendances par projet. Conda est pratique pour gérer à la fois Python et des paquets scientifiques ou ML (numpy, pandas, torch) dans un même écosystème. Pour un usage purement « prompt dans le navigateur » (ChatGPT, Midjourney), ce tutoriel n’est pas obligatoire ; il devient utile dès que tu codes des scripts, appelles des API (OpenAI, xAI, etc.) ou utilises des SDK. Dès que tu touches à du code Python pour l’IA, un env dédié te protège et rend ton travail reproductible. Think about it this way : en tournage, tu ne mélange pas les objectifs de deux projets dans le même sac. Là, tu ne mélanges pas les versions de libs de deux projets dans le même Python. Pour créer ou améliorer une base pour un petit logiciel IA, un env propre est la première brique.

Prérequis : installer Conda (ou Miniconda)

Option Miniconda (léger, recommandé)

1. Télécharge Miniconda pour ton OS : https://docs.conda.io/en/latest/miniconda.html. Choisis l’installateur correspondant (Windows, macOS, Linux).
2. Lance l’installateur. Accepte les options par défaut. Sur Windows, coche « Add to PATH » si proposé pour pouvoir utiliser conda depuis n’importe quel terminal. Sur macOS/Linux, l’installateur peut proposer d’initialiser le shell ; accepte pour que conda activate fonctionne.
3. Ouvre un nouveau terminal (ferme et rouvre si besoin). Tape conda --version. Tu dois voir un numéro de version (ex. conda 24.x.x). Si la commande n’est pas trouvée, vérifie que Conda est bien dans ton PATH ou relance l’installation.

Option Anaconda (complet)

Si tu préfères la suite complète (éditeur, librairies préinstallées, interface graphique), installe Anaconda. Pour uniquement un environnement virtuel IA et des scripts légers, Miniconda suffit et prend moins de place. Tu peux toujours ajouter les paquets dont tu as besoin avec pip ou conda install dans ton env.

Créer l’environnement Python 3.13 pour projets IA

Dans le terminal, exécute :

conda create -n ia-projets python=3.13 -y

• ia-projets : nom de l’environnement (tu peux choisir un autre nom, ex. ia-dev, video-ia). Évite les espaces.
• python=3.13 : version de Python. Si 3.13 n’est pas encore disponible sur ta plateforme, utilise python=3.12 ou 3.11. Vérifie avec conda search python les versions proposées.
• -y : confirme sans demander « Proceed ? ».

Conda télécharge Python et crée l’env. À la fin, tu vois un message du type « To activate this environment, use: conda activate ia-projets ».

Activer et désactiver l’environnement

Activation (à faire à chaque nouvelle session terminal) :

• Windows (CMD ou PowerShell) : conda activate ia-projets
• macOS / Linux : conda activate ia-projets

Le préfixe du terminal change (souvent (ia-projets) apparaît devant la ligne de commande). Tu es maintenant « dans » cet env : tout ce que tu installes avec pip ou conda install reste local à cet env.

Désactivation : conda deactivate

Vérifier que tu es dans le bon env :

• python --version doit afficher la version demandée (ex. Python 3.13.x).
• which python (macOS/Linux) ou where python (Windows) doit pointer vers le Python dans le répertoire Conda (ex. .../miniconda3/envs/ia-projets/bin/python), pas vers le Python système.

Installer des paquets utiles pour les projets IA

Une fois l’environnement activé, installe ce dont tu as besoin. Exemples :

pip install requests
pip install openai

Pour des scripts qui appellent l’API OpenAI (ChatGPT, etc.), openai suffit souvent. Pour des traitements d’images ou de données, tu peux ajouter pillow, numpy, etc. Évite d’installer « tout » au hasard ; ajoute au fur et à mesure des projets pour garder l’env reproductible et léger. Si tu utilises des notebooks Jupyter dans cet env : pip install jupyter. Pour automatiser des tâches avec des scripts IA, un env dédié évite les conflits avec d’éventuels autres projets sur ta machine.

Pro tip : Garde une liste (fichier texte ou README) des paquets que tu installes pour ce projet. Quand tu recréeras l’env ailleurs ou dans six mois, tu sauras quoi réinstaller. Mieux encore : exporte l’env (voir ci-dessous) et versionne le fichier environment.yml avec ton code.

Exporter et réutiliser l’environnement

Pour partager ou dupliquer ton env sur une autre machine (ou pour toi plus tard) :

conda activate ia-projets
conda env export > environment.yml

Le fichier environment.yml contient la liste des paquets et leurs versions. Pour recréer l’env ailleurs :

conda env create -f environment.yml

Conda créera un env avec le même nom et les mêmes dépendances. Si tu veux un autre nom, édite la première ligne du fichier (name: ia-projets → name: mon-autre-env). Pour des projets en équipe ou pour déployer un petit logiciel IA, ce fichier est la référence pour « ça tourne comme sur ma machine ».

Tableau : commandes utiles

Scénarios réels

Scénario 1 : Script d’appel API OpenAI. Léa veut automatiser des appels à l’API OpenAI (génération de textes pour un outil interne). Elle crée un env ia-projets avec Python 3.12, active l’env, fait pip install openai requests. Elle écrit son script, le teste. Plus tard, un autre projet demande une vieille version de requests ; comme elle travaille dans un env séparé pour ce second projet, elle ne casse pas le premier. Pour utiliser l’IA pour programmer ou automatiser, des envs par projet sont la norme.

Scénario 2 : Formation IA et démos techniques. Thomas anime des ateliers « IA pour développeurs ». Il a un env ia-demo avec les libs nécessaires (openai, quelques notebooks). Avant chaque session, il active l’env et tout est prêt. Il a aussi un env ia-perso pour ses propres expériences. Les deux ne se mélangent pas. Pour formations IA gratuites vs payantes, avoir un socle technique propre renforce la crédibilité quand tu montres du code.

Scénario 3 : Projet client, reproductibilité. Une agence livre un script d’automatisation vidéo IA à un client. Le script dépend de openai, requests, et deux trois autres paquets. L’agence fournit le fichier environment.yml avec le code. Le client fait conda env create -f environment.yml, active l’env, et lance le script. Même versions, même comportement. Sans env dédié et sans export, « ça marche chez nous mais pas chez le client » devient le cauchemar habituel.

Ce que les débutants se trompent (et comment corriger)

Erreur 1 : Oublier d’activer l’env. Tu installes des paquets ou tu lances un script sans avoir fait conda activate ia-projets. Les paquets partent dans le Python système (ou un autre env), et ton script ne les trouve pas. Correction : À chaque ouverture de terminal pour ce projet, active l’env en premier. Mets un rappel dans ton README ou utilise un script de lancement qui active l’env puis exécute ton code.

Erreur 2 : Mélanger pip et conda sans précaution. Dans un env Conda, tu peux utiliser pip install. En revanche, installer des paquets Conda après avoir beaucoup utilisé pip peut parfois créer des conflits. Correction : Privilégie conda install pour les paquets disponibles dans Conda (numpy, pandas, etc.) et pip install pour le reste (openai, beaucoup de libs Python pures). Évite d’alterner sans raison ; tiens-toi à une stratégie par env.

Erreur 3 : Ne pas exporter l’env. Tu installes 10 paquets à la main. Six mois plus tard, tu changes de machine ou un collègue reprend le projet. Personne ne sait quelles versions utiliser. Correction : Dès que l’env est stable, fais conda env export > environment.yml et versionne ce fichier (Git). Pour créer un logiciel ou script IA reproductible, le fichier d’env est aussi important que le code.

Erreur 4 : Python 3.13 non disponible. Tu fais conda create -n ia-projets python=3.13 -y et Conda échoue (version non trouvée). Correction : Vérifie les versions disponibles avec conda search python. Utilise python=3.12 ou 3.11 à la place. La logique du tutoriel reste la même.

Erreur 5 : Trop d’envs, plus de clarté. Tu crées un env par petit test et tu en accumules 15. Tu ne sais plus lequel utiliser. Correction : Un env par projet ou par usage (ex. un env « démo », un env « prod »). Supprime les envs inutiles avec conda env remove -n nom-env. Liste régulièrement avec conda env list. Pour premiers pas IA sur son ordinateur, commencer avec un seul env « ia-projets » suffit.

Et après ?

Avec cet environnement virtuel IA en place, tu peux développer des scripts d’automatisation, tester des API (OpenAI, xAI, etc.) ou des outils locaux sans impacter le reste de ton système. Pour aller plus loin : prompt engineering et langage ChatGPT/Gemini pour structurer tes consignes, et méga-guide IA générative 2026 pour la vue d’ensemble. Une ressource externe pour la doc Conda : Conda documentation (lien externe, non sponsorisé). Les commandes et options évoluent ; un coup d’œil à la doc officielle évite les mauvaises surprises.