As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Registre automaticamente modelos de SageMaker IA com o SageMaker Model Registry
<a name="mlflow-track-experiments-model-registration"></a>

Você pode registrar MLflow modelos e registrá-los automaticamente no SageMaker Model Registry usando o SDK do Python ou diretamente por meio da interface do usuário. MLflow 

**nota**  
Não use espaços no nome do modelo. Embora MLflow ofereça suporte a nomes de modelos com espaços, o SageMaker AI Model Package não. O processo de registro automático não será concluído se você usar espaços no nome do modelo.

## Registre modelos usando o SDK do SageMaker Python
<a name="mlflow-track-experiments-model-registration-sdk"></a>

Use `create_registered_model` dentro MLflow do seu cliente para criar automaticamente um grupo de pacotes de modelos na SageMaker IA que corresponda a um MLflow modelo existente de sua escolha.

```
import mlflow 
from mlflow import MlflowClient

mlflow.set_tracking_uri(arn)

client = MlflowClient()

mlflow_model_name = 'AutoRegisteredModel'
client.create_registered_model(mlflow_model_name, tags={"key1": "value1"})
```

Use `mlflow.register_model()` para registrar automaticamente um modelo no Registro de SageMaker modelos durante o treinamento do modelo. Ao registrar o MLflow modelo, um grupo de pacotes de modelos e uma versão de pacote de modelos correspondentes são criados na SageMaker IA. 

```
import mlflow.sklearn
from mlflow.models import infer_signature
from sklearn.datasets import make_regression
from sklearn.ensemble import RandomForestRegressor

mlflow.set_tracking_uri(arn)
params = {"n_estimators": 3, "random_state": 42}
X, y = make_regression(n_features=4, n_informative=2, random_state=0, shuffle=False)

# Log MLflow entities
with mlflow.start_run() as run:
    rfr = RandomForestRegressor(**params).fit(X, y)
    signature = infer_signature(X, rfr.predict(X))
    mlflow.log_params(params)
    mlflow.sklearn.log_model(rfr, artifact_path="sklearn-model", signature=signature)

model_uri = f"runs:/{run.info.run_id}/sklearn-model"
mv = mlflow.register_model(model_uri, "RandomForestRegressionModel")

print(f"Name: {mv.name}")
print(f"Version: {mv.version}")
```

## Registre modelos usando a MLflow interface
<a name="mlflow-track-experiments-model-registration-ui"></a>

Como alternativa, você pode registrar um SageMaker modelo no Registro de modelos diretamente na MLflow interface do usuário. No menu **Modelos** na MLflow interface do usuário, escolha **Criar modelo**. Todos os modelos recém-criados dessa forma são adicionados ao Registro de SageMaker Modelos.

![\[Criação de registro de modelo na MLflow interface do usuário.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/mlflow/mlflow-ui-register-model.png)


Depois de registrar um modelo durante o acompanhamento do experimento, navegue até a página de execução na MLflow interface do usuário. Escolha o painel **Artefatos** e escolha **Registrar modelo** no canto superior direito para registrar a versão do modelo em ambos MLflow e no Registro de SageMaker modelos. 

![\[Criação de registro de modelo na MLflow interface do usuário.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/mlflow/mlflow-ui-register-model-2.png)


## Exibir modelos registrados no Studio
<a name="mlflow-track-experiments-model-registration-ui-view"></a>

Na página inicial do SageMaker Studio, escolha **Modelos** no painel de navegação esquerdo para ver seus modelos registrados. Para obter mais informações sobre como começar a usar o Studio, consulte [Launch Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html).

![\[MLflow modelos registrados no SageMaker Model Registry na interface do usuário do Studio.\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/mlflow/mlflow-studio-model-registry.png)