يُعد جمع البيانات اللازمة لتدريب كاشفات الكائنات القائمة على التعلم العميق على مركبات الطيران غير المأهولة (UAVs) مكلفًا وطويل الأمد، وقد يكون ممنوعًا قانونيًا في بيئات معينة. من ناحية أخرى، تُعد البيانات الاصطناعية سريعة ورخيصة في الوصول إليها. في هذا العمل، نستكشف الإمكانات المحتملة لاستخدام البيانات الاصطناعية في كشف الكائنات من مركبات الطيران غير المأهولة عبر بيئات تطبيقية متنوعة. ولتحقيق ذلك، نُطَوِّر الإطار المفتوح المصدر DeepGTAV ليُستخدم في السيناريوهات المتعلقة بمركبات الطيران غير المأهولة. ونُسجِّل مجموعة متنوعة من مجموعات البيانات الاصطناعية عالية الدقة على نطاق واسع في عدة مجالات، لبيان استخدامها في كشف الكائنات في العالم الحقيقي من خلال مركبات الطيران غير المأهولة، وذلك من خلال تحليل استراتيجيات تدريب متعددة عبر عدة نماذج. علاوةً على ذلك، نحلل عدة معايير مختلفة لتصنيع البيانات وطرق أخذ العينات، بهدف تقديم توصيات هندسية قابلة للتطبيق لدعم الأبحاث العلمية المستقبلية. يُمكن الوصول إلى إطار العمل DeepGTAV من خلال الرابط التالي: https://git.io/Jyf5j.