Migrazione da Kubeflow Pipelines a Vertex AI Pipelines
Mantieni tutto organizzato con le raccolte
Salva e classifica i contenuti in base alle tue preferenze.
Per gli sviluppatori con esperienza nella creazione di pipeline Kubeflow è
importante comprendere i seguenti modi in cui Vertex AI Pipelines è
diverso da Kubeflow Pipelines.
Trasferimento di dati (input/output)
Il passaggio dei dati tramite input e output è diverso dall'SDK Kubeflow Pipelines v1 all'SDK Kubeflow Pipelines v2. L'SDK Kubeflow Pipelines v2 prevede la separazione di
parametri e artefatti, che non possono essere passati l'uno nell'altro.
Per informazioni più dettagliate, consulta
Nozioni di base sulle pipeline Kubeflow Pipelines e Tipi di dati di Kubeflow Pipelines.
Utilizzo della versione del linguaggio specifico del dominio (DSL)
Vertex AI Pipelines può eseguire pipeline create utilizzando
TFX 0.30.0 o versioni successive o il linguaggio specifico del dominio (DSL) dell'SDK Kubeflow Pipelines v2.
Il DSL dell'SDK Kubeflow Pipelines v2 è disponibile nell'SDK Kubeflow Pipelines v1.6 o versioni successive.
Kubeflow Pipelines può eseguire pipeline create utilizzando
l'SDK Kubeflow Pipelines. Kubeflow Pipelines v1.6 o versioni successive può anche eseguire pipeline
create utilizzando l'SDK Kubeflow Pipelines v2 DSL.
Archiviazione
Kubeflow Pipelines e Vertex AI Pipelines gestiscono
lo spazio di archiviazione in modo diverso. In Kubeflow Pipelines puoi utilizzare risorse Kubernetes come le richieste di volumi permanenti. In Vertex AI Pipelines
i dati vengono archiviati in Cloud Storage e montati nei componenti
utilizzando Cloud Storage FUSE.
In Vertex AI Pipelines, puoi utilizzare i servizi Google Cloud per rendere disponibili le risorse. Ad esempio, puoi utilizzare Cloud Storage FUSE per accedere a un bucket Cloud Storage come volume montato in un passaggio della pipeline. Se l'URI Cloud Storage è
gs://example-bucket/example-pipeline, il container del componente della pipeline può utilizzare Cloud Storage FUSE per accedere a questo URI come
il seguente percorso: /gcs/example-bucket/example-pipeline.
Quando esegui una pipeline utilizzando Vertex AI Pipelines, la radice della pipeline
deve essere stata specificata nell'annotazione @pipeline o quando hai creato
l'esecuzione della pipeline.
In Kubeflow Pipelines, la specifica della radice della pipeline è facoltativa. Gli
artefatti di un'esecuzione della pipeline vengono archiviati utilizzando MinIO per impostazione predefinita.
Funzionalità non supportate in Vertex AI Pipelines
Le seguenti funzionalità di Kubeflow Pipelines non sono supportate in
Vertex AI Pipelines.
Scadenza della cache: in Kubeflow Pipelines puoi specificare che le esecuzioni dei componenti memorizzati nella cache scadano dopo un periodo di tempo specificato utilizzando il DSL dell'SDK Kubeflow Pipelines v1.
Non puoi specificare che le esecuzioni dei componenti scadono dopo un
periodo di tempo specificato utilizzando il DSL dell'SDK Kubeflow Pipelines v2.
In Vertex AI Pipelines, quando esegui una pipeline utilizzando
create_run_from_job_spec, puoi utilizzare l'argomento enable_caching per
specificare che questa esecuzione della pipeline non utilizza la memorizzazione nella cache.
Ricorsione: in Kubeflow Pipelines, puoi specificare componenti della pipeline
che vengono
chiamati in modo ricorsivo.
Vertex AI Pipelines non supporta i componenti della pipeline
chiamati in modo ricorsivo.
[[["Facile da capire","easyToUnderstand","thumb-up"],["Il problema è stato risolto","solvedMyProblem","thumb-up"],["Altra","otherUp","thumb-up"]],[["Difficile da capire","hardToUnderstand","thumb-down"],["Informazioni o codice di esempio errati","incorrectInformationOrSampleCode","thumb-down"],["Mancano le informazioni o gli esempi di cui ho bisogno","missingTheInformationSamplesINeed","thumb-down"],["Problema di traduzione","translationIssue","thumb-down"],["Altra","otherDown","thumb-down"]],["Ultimo aggiornamento 2025-09-10 UTC."],[],[],null,["# Migrate from Kubeflow Pipelines to Vertex AI Pipelines\n\nFor developers with experience building Kubeflow pipelines it is\nimportant to understand the following ways that Vertex AI Pipelines is\ndifferent from Kubeflow Pipelines.\n\n### Data passing (inputs/outputs)\n\n- Data passing using inputs and outputs differs from Kubeflow Pipelines SDK v1 to Kubeflow Pipelines SDK v2. Kubeflow Pipelines SDK v2 has the separation of parameters and artifacts, and they can't be passed into one another. For more detailed information, see [Kubeflow Pipelines Pipelines Basics](https://www.kubeflow.org/docs/components/pipelines/v2/pipelines/pipeline-basics/) and [Kubeflow Pipelines Data Types](https://www.kubeflow.org/docs/components/pipelines/v2/data-types/).\n\n### Domain-specific language (DSL) version usage\n\n- Vertex AI Pipelines can run pipelines that were built using\n TFX v0.30.0 or later, *or* the Kubeflow Pipelines SDK v2\n domain-specific language (DSL).\n\n The Kubeflow Pipelines SDK v2 DSL is available in Kubeflow Pipelines SDK v1.6 or\n later.\n\n Kubeflow Pipelines can run pipelines that were built using the\n Kubeflow Pipelines SDK. Kubeflow Pipelines v1.6 or later can also run pipelines\n built using the Kubeflow Pipelines SDK v2 DSL.\n\n### Storage\n\n- Kubeflow Pipelines and Vertex AI Pipelines handle\n storage differently. In Kubeflow Pipelines you can make use of Kubernetes\n resources such as persistent volume claims. In Vertex AI Pipelines\n your data is stored on Cloud Storage, and mounted into your components\n using [Cloud Storage FUSE](/storage/docs/gcs-fuse).\n\n In Vertex AI Pipelines, you can use Google Cloud services to make\n resources available --- for example, you can use Cloud Storage FUSE\n to access a Cloud Storage bucket as a mounted volume in a pipeline\n step. If your Cloud Storage URI is\n `gs://example-bucket/example-pipeline`, then your pipeline component's\n container can use Cloud Storage FUSE to access that URI as the\n following path: `/gcs/example-bucket/example-pipeline`.\n | **Important:** It's best practice that you avoid hardcoding the paths to external resources into your pipeline. Instead, pass the paths to external resources into your pipeline as a parameter. This makes it easier for you to run your pipeline in different environments, and to change the location of the resources used in a pipeline run.\n- When you run a pipeline using Vertex AI Pipelines, the pipeline root\n must have been specified in the `@pipeline` annotation or when you created\n the pipeline run.\n\n In Kubeflow Pipelines, specifying the pipeline root is optional. The\n artifacts of a pipeline run are stored using [MinIO](https://min.io/) by default.\n\n### Features not supported in Vertex AI Pipelines\n\n- The following Kubeflow Pipelines features are not supported in\n Vertex AI Pipelines.\n\n - **Cache Expiration**: In Kubeflow Pipelines, you can specify that\n cached component executions\n expire after a specified amount of time using the Kubeflow Pipelines SDK v1\n DSL.\n\n You can't specify that component executions expire after a\n specified amount of time using the Kubeflow Pipelines SDK v2 DSL.\n\n In Vertex AI Pipelines, when you run a pipeline using\n `create_run_from_job_spec` you can use the `enable_caching` argument to\n specify that this pipeline run does not use caching.\n - **Recursion**: In Kubeflow Pipelines, you can specify pipeline\n components that are\n called recursively.\n\n Vertex AI Pipelines doesn't support pipeline\n components that are called recursively."]]
