الممارسات غير المستدامة للصيد على مستوى العالم تشكل تهديداً كبيراً للموارد والأنظمة البيئية البحرية. تحديد السفن التي لا تظهر في أنظمة المراقبة التقليدية -- المعروفة بـ "السفن المظلمة" -- هو أمر حاسم لإدارة وضمان صحة البيئات البحرية. مع ظهور تقنيات التصوير باستخدام الرادار ذو الفتحة الاصطناعية القائم على الأقمار الصناعية (SAR) والتعلم الآلي الحديث (ML)، أصبح من الممكن الآن تلقائيًا اكتشاف السفن المظلمة ليلاً أو نهاراً وفي جميع الظروف الجوية. ومع ذلك، تتطلب صور SAR معالجة خاصة بال مجال وتكون غير متاحة بشكل واسع لمجتمع التعلم الآلي. الأشياء البحرية (السفن والبنية التحتية البحرية) صغيرة ومتفرقة نسبياً، مما يمثل تحدياً للطرق التقليدية لرؤية الحاسوب. نقدم أكبر مجموعة بيانات مصنفة لتدريب نماذج التعلم الآلي على اكتشاف ووصف السفن والبنى التحتية البحرية في صور SAR. يتكون xView3-SAR من حوالي 1,000 صورة SAR جاهزة للتحليل من مهمة Sentinel-1، والتي يصل متوسط حجم كل منها إلى 29,400 × 24,400 بكسل. تم توثيق الصور باستخدام مزيج من التحليل الآلي واليدوي. يرافق كل صورة SAR شبكة معلومات عن عمق المياه والحالة الريحية في نفس الموقع. كما نوفر لمحة عامة عن تحدي رؤية الحاسوب xView3، وهو مسابقة دولية تستخدم xView3-SAR لاكتشاف ووصف السفن على نطاق واسع. نقوم بإصدار البيانات (\href{https://iuu.xview.us/}{https://iuu.xview.us/}) والكود البرمجي (\href{https://github.com/DIUx-xView}{https://github.com/DIUx-xView}) لدعم التطوير المستمر وتقييم طرق التعلم الآلي لهذه التطبيق الهام.