Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

# Nettoyer les MLflow ressources
<a name="mlflow-cleanup"></a>

Nous vous recommandons de supprimer les ressources dont vous n’avez plus besoin. Vous pouvez supprimer des serveurs de suivi via Amazon SageMaker Studio ou à l'aide du AWS CLI. Vous pouvez supprimer des ressources supplémentaires telles que les compartiments Amazon S3, les rôles IAM et les politiques IAM à l'aide de AWS CLI ou directement dans la console. AWS 

**Important**  
Ne supprimez pas le rôle IAM que vous avez utilisé pour la création tant que le serveur de suivi lui-même n’est pas supprimé. Sinon, vous perdrez l’accès à ce dernier.

## Arrêt du suivi des serveurs
<a name="mlflow-cleanup-stop-server"></a>

Nous vous recommandons d’arrêter votre serveur de suivi lorsqu’il n’est plus utilisé. Vous pouvez arrêter un serveur de suivi dans Studio ou à l'aide du AWS CLI.

### Arrêt d’un serveur de suivi à l’aide de Studio
<a name="mlflow-cleanup-stop-server-ui"></a>

Pour arrêter un serveur de suivi à l’aide de Studio : 

1. Accédez à Studio.

1. Choisissez **MLflow**dans le volet **Applications** de l'interface utilisateur de Studio.

1. Trouvez le serveur de suivi de votre choix dans le volet **Serveurs MLflow de suivi**. Cliquez sur l’icône **Arrêter** dans le coin droit du volet du serveur de suivi.
**Note**  
Quand votre serveur de suivi est **désactivé**, l’icône **Démarrer** est visible. Quand le serveur de suivi est **activé**, l’icône **Arrêter** est visible.

### Arrêtez un serveur de suivi à l'aide du AWS CLI
<a name="mlflow-cleanup-stop-server-cli"></a>

Pour arrêter le serveur de suivi à l'aide du AWS CLI, utilisez la commande suivante : 

```
aws sagemaker stop-mlflow-tracking-server \
  --tracking-server-name $ts_name \
  --region $region
```

Pour démarrer le serveur de suivi à l'aide de AWS CLI, utilisez la commande suivante : 

**Note**  
Le démarrage de votre serveur de suivi peut prendre jusqu’à 25 minutes.

```
aws sagemaker start-mlflow-tracking-server \
  --tracking-server-name $ts_name \
  --region $region
```

## Suppression de serveurs de suivi
<a name="mlflow-cleanup-delete-server"></a>

Vous pouvez supprimer intégralement un serveur de suivi dans Studio ou à l’aide de l’ AWS CLI. 

### Suppression d’un serveur de suivi à l’aide de Studio
<a name="mlflow-cleanup-delete-server-ui"></a>

Pour supprimer un serveur de suivi à l’aide de Studio : 

1. Accédez à Studio.

1. Choisissez **MLflow**dans le volet **Applications** de l'interface utilisateur de Studio.

1. Trouvez le serveur de suivi de votre choix dans le volet **Serveurs MLflow de suivi**. Cliquez sur l’icône du menu vertical dans le coin droit du volet du serveur de suivi. Ensuite, choisissez **Supprimer**. 

1. Pour confirmer la suppression, choisissez **Supprimer**.

![\[L'option de suppression sur une carte de serveur de suivi dans le volet Serveurs de MLflow suivi de l'interface utilisateur de Studio.\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/images/mlflow/mlflow-studio-delete.png)


### Supprimez un serveur de suivi à l'aide du AWS CLI
<a name="mlflow-cleanup-delete-server-cli"></a>

Utilisez l’API `DeleteMLflowTrackingServer` pour supprimer tous les serveurs de suivi que vous avez créés. Cela peut prendre un certain temps.

```
aws sagemaker delete-mlflow-tracking-server \
  --tracking-server-name $ts_name \
  --region $region
```

Pour consulter le statut de votre serveur de suivi, utilisez l’API `DescribeMLflowTrackingServer` et vérifiez `TrackingServerStatus`. 

```
aws sagemaker describe-mlflow-tracking-server \
  --tracking-server-name $ts_name \
  --region $region
```

## Suppression de compartiments Amazon S3
<a name="mlflow-cleanup-delete-bucket"></a>

Supprimez tout compartiment Amazon S3 utilisé comme magasin d’artefacts pour votre serveur de suivi à l’aide des commandes suivantes :

```
aws s3 rm s3://$bucket_name --recursive
aws s3 rb s3://$bucket_name
```

Vous pouvez également supprimer un compartiment Amazon S3 associé à votre serveur de suivi directement dans la AWS console. Pour plus d’informations, consultez [Suppression d’un compartiment](https://docs.aws.amazon.com/AmazonS3/latest/userguide/delete-bucket.html) dans le *Guide de l’utilisateur Amazon S3*.

## Suppression d’un modèle enregistré
<a name="mlflow-cleanup-delete-bucket"></a>

Vous pouvez supprimer tous les groupes de modèles et toutes les versions de modèles créés MLflow directement dans Studio. Pour plus d’informations, consultez [Suppression d’un groupe de modèles](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry-delete-model-group.html) et [Suppression d’une version de modèle](https://docs.aws.amazon.com/sagemaker/latest/dg/model-registry-delete-model-version.html).

## Suppression des expériences ou des exécutions
<a name="mlflow-cleanup-delete-experiments"></a>

Vous pouvez utiliser le MLflow SDK pour supprimer des tests ou des essais.
+ [mlflow.delete\$1experiment](https://mlflow.org/docs/latest/python_api/mlflow.html?highlight=delete_experiment#mlflow.delete_experiment)
+ [mlflow.delete\$1run](https://mlflow.org/docs/latest/python_api/mlflow.html?highlight=delete_experiment#mlflow.delete_run)