Von Kubeflow Pipelines zu Vertex AI Pipelines migrieren
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Für Entwickler, die Erfahrung mit dem Erstellen von Kubeflow-Pipelines haben, ist es wichtig zu wissen, dass sich Vertex AI Pipelines von Kubeflow Pipelines unterscheiden.
Datenübergabe (Ein-/Ausgaben)
Daten, die über Ein- und Ausgaben übergeben werden, unterscheiden sich vom Kubeflow Pipelines SDK v1 zum Kubeflow Pipelines SDK v2. Das Kubeflow Pipelines SDK v2 hat die Trennung von Parametern und Artefakten und können nicht aneinander übergeben werden.
Ausführliche Informationen finden Sie unter Kubeflow Pipelines – Grundlagen und Kubeflow Pipelines – Datentypen.
Verwendung der domänenspezifischen Sprachversion (DSL)
Vertex AI Pipelines kann Pipelines ausführen, die mit TFX v0.30.0 oder höher oder der domainspezifischen Sprache (domain-specific language, DSL) von Kubeflow Pipelines SDK v2 erstellt wurden.
Kubeflow Pipelines SDK v2 DSL ist im Kubeflow Pipelines SDK 1.6 oder höher verfügbar.
Kubeflow Pipelines kann Pipelines ausführen, die mit dem Kubeflow Pipelines SDK erstellt wurden. Kubeflow Pipelines v1.6 oder höher kann auch Pipelines ausführen, die mit dem Kubeflow Pipelines SDK v2 DSL erstellt wurden.
Speicher
Kubeflow Pipelines und Vertex AI Pipelines verarbeiten Speicher unterschiedlich. In Kubeflow Pipelines können Sie Kubernetes-Ressourcen wie Anforderungen an nichtflüchtige Volumes verwenden. In Vertex AI Pipelines werden Ihre Daten in Cloud Storage gespeichert und mit Cloud Storage FUSE in Ihre Komponenten eingebunden.
In Vertex AI Pipelines können Sie Google Cloud -Dienste verwenden, um Ressourcen verfügbar zu machen. So können Sie beispielsweise Cloud Storage FUSE nutzen, um auf einen Cloud Storage-Bucket als bereitgestelltes Volume in einem Pipelineschritt zuzugreifen. Wenn Ihr Cloud Storage-URI gs://example-bucket/example-pipeline ist, kann der Container Ihrer Pipelinekomponente Cloud Storage FUSE verwenden, um auf den URI als folgenden Pfad zuzugreifen: /gcs/example-bucket/example-pipeline.
Wenn Sie eine Pipeline mit Vertex AI Pipelines ausführen, muss der Stammpfad der Pipeline in der Annotation @pipeline oder beim Erstellen der Pipelineausführung angegeben worden sein.
In Kubeflow Pipelines ist die Angabe des Pipeline-Stammpfads optional. Die Artefakte einer Pipeline-Ausführung werden standardmäßig mit MinIO gespeichert.
In Vertex AI Pipelines nicht unterstützte Funktionen
Die folgenden Kubeflow Pipelines-Features werden in Vertex AI Pipelines nicht unterstützt.
Cache-Ablauf: In Kubeflow Pipelines können Sie mit Kubeflow Pipelines SDK v1 DSL festlegen, dass die Ausführung der im Cache gespeicherten Komponenten nach einer bestimmten Zeit abläuft.
Sie können nicht festlegen, dass Komponentenausführungen nach einer bestimmten Zeit ablaufen, wenn Sie die Kubeflow Pipelines SDK v2 DSL verwenden.
Wenn Sie in Vertex AI Pipelines eine Pipeline mit create_run_from_job_spec ausführen, können Sie mit dem Argument enable_caching angeben, dass diese Pipelineausführung kein Caching verwendet.
Recursion: In Kubeflow Pipelines können Sie Pipeline-Komponenten angeben, die rekursiv aufgerufen werden.
Vertex AI Pipelines unterstützt keine Pipeline-Komponenten, die rekursiv aufgerufen werden.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Schwer verständlich","hardToUnderstand","thumb-down"],["Informationen oder Beispielcode falsch","incorrectInformationOrSampleCode","thumb-down"],["Benötigte Informationen/Beispiele nicht gefunden","missingTheInformationSamplesINeed","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2025-08-19 (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."]]
