Viele Energieversorgungsunternehmen setzen heute Drohnen (UAVs) zur Durchführung von Inspektionsprozessen ein, anstatt ihre Mitarbeiter gefährlichen Aufstiegen auf Hochspannungsmasten auszusetzen. Eine zentrale Aufgabe bei der Inspektion besteht darin, Anlagen in Stromübertragungsleitungen zu erkennen und zu klassifizieren. Allerdings sind öffentliche Datensätze zu Stromleitungsanlagen bisher äußerst selten, was die schnelle Entwicklung dieses Forschungsfeldes erheblich behindert. In dieser Arbeit wird der Power Line Assets Dataset (PLAD) vorgestellt, der hochaufgelöste und realitätsnahe Bilder mehrerer Komponenten von Hochspannungsleitungen enthält. Der Datensatz umfasst 2.409 annotierte Objekte, die in fünf Klassen unterteilt sind: Übertragungsmast, Isolator, Strecker, Mastplatte und Stockbridge-Dämpfer. Diese Objekte variieren in Größe (Auflösung), Orientierung, Beleuchtung, Neigung und Hintergrund. Zudem wird eine Evaluierung mit etablierten Methoden des tiefen Lernens für die Objekterkennung vorgenommen, die erhebliches Verbesserungspotenzial aufzeigt. Der STN PLAD-Datensatz ist öffentlich unter https://github.com/andreluizbvs/PLAD verfügbar.