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. # Visualizar recursos do projeto Depois de criar um projeto, visualize os recursos associados ao projeto no Amazon SageMaker Studio Classic. ------ #### [ Studio ] 1. Abra o console do SageMaker Studio seguindo as instruções em [Iniciar o Amazon SageMaker Studio](https://docs.aws.amazon.com/sagemaker/latest/dg/studio-updated-launch.html). 1. **No painel de navegação esquerdo, escolha **Implantações** e, em seguida, escolha Projetos.** 1. Selecione o nome do projeto cujos detalhes você deseja visualizar. Uma aba com os detalhes do projeto será exibida. Na página de detalhes do projeto, você poderá visualizar as seguintes entidades, poderá abrir qualquer uma das guias a seguir que correspondem à entidade associada ao projeto: + Repositórios: repositórios de código (repositórios) associados a este projeto. Se você usa um modelo SageMaker fornecido pela IA ao criar seu projeto, ele cria um AWS CodeCommit repositório ou um repositório Git de terceiros. Para obter mais informações sobre CodeCommit, consulte [O que é AWS CodeCommit](https://docs.aws.amazon.com/codecommit/latest/userguide/welcome.html). + Pipelines: pipelines de SageMaker AI ML que definem etapas para preparar dados, treinar e implantar modelos. Para obter informações sobre pipelines de SageMaker AI ML, consulte[Ações de pipelines](pipelines-build.md). + Experimentos: um ou mais experimentos do Amazon SageMaker Autopilot associados ao projeto. Para obter informações sobre o Autopilot, consulte [SageMaker Piloto automático](autopilot-automate-model-development.md). + Grupos de modelos: grupos de versões de modelo que foram criadas por execuções de pipeline no projeto. Para obter informações sobre grupos de modelo, consulte [Criar um grupo de modelos](model-registry-model-group.md). + Endpoints: endpoints de SageMaker IA que hospedam modelos implantados para inferência em tempo real. Quando uma versão do modelo é aprovada, ela é implantada em um endpoint. + Tags: todas as tags associadas ao projeto. Para obter mais informações sobre tags, consulte [Marcar recursos da AWS](https://docs.aws.amazon.com/general/latest/gr/aws_tagging.html) no *Referência geral da AWS*. + Metadados: metadados associados ao projeto. Isso inclui o modelo e a versão usados, além do caminho de inicialização do modelo. ------ #### [ Studio Classic ] 1. Faça login no Studio Classic. Para obter mais informações, consulte [Visão geral do domínio Amazon SageMaker AI](gs-studio-onboard.md). 1. Na barra lateral do Studio Classic, escolha o ícone **Início** (![](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/images/studio/icons/house.png)). 1. Selecione **Implantações** no menu e, em seguida, selecione **Projetos**. 1. Selecione o nome do projeto cujos detalhes você deseja visualizar. Uma aba com os detalhes do projeto será exibida. Na aba de detalhes do projeto, você poderá visualizar as seguintes entidades associadas ao projeto: + Repositórios: repositórios de código (repositórios) associados a este projeto. Se você usa um modelo SageMaker fornecido pela IA ao criar seu projeto, ele cria um AWS CodeCommit repositório ou um repositório Git de terceiros. Para obter mais informações sobre CodeCommit, consulte [O que é AWS CodeCommit](https://docs.aws.amazon.com/codecommit/latest/userguide/welcome.html). + Pipelines: pipelines de SageMaker AI ML que definem etapas para preparar dados, treinar e implantar modelos. Para obter informações sobre pipelines de SageMaker AI ML, consulte[Ações de pipelines](pipelines-build.md). + Experimentos: um ou mais experimentos do Amazon SageMaker Autopilot associados ao projeto. Para obter informações sobre o Autopilot, consulte [SageMaker Piloto automático](autopilot-automate-model-development.md). + Grupos de modelos: grupos de versões de modelo que foram criadas por execuções de pipeline no projeto. Para obter informações sobre grupos de modelo, consulte [Criar um grupo de modelos](model-registry-model-group.md). + Endpoints: endpoints de SageMaker IA que hospedam modelos implantados para inferência em tempo real. Quando uma versão do modelo é aprovada, ela é implantada em um endpoint. + Configurações: configurações do projeto. Isso inclui o nome e a descrição do projeto, informações sobre o modelo do projeto e `SourceModelPackageGroupName` e metadados sobre o projeto. ------