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

**nota**  
Não use espaços no nome do modelo. Embora o 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` em seu cliente MLflow para criar automaticamente um grupo de pacotes de modelos em SageMaker IA que corresponda a um modelo MLflow 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 modelo MLflow, um grupo de pacotes de modelos e uma versão de pacote de modelos correspondentes são criados no SageMaker AI. 

```
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}")
```

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

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

![Criação de registro de modelo na interface do usuário do MLflow.](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 interface do usuário do MLflow. Escolha o painel **Artefatos** e escolha **Registrar modelo** no canto superior direito para registrar a versão do modelo no MLflow e SageMaker no Registro de modelos. 

![Criação de registro de modelo na interface do usuário do MLflow.](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).

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