Dies ist die Arbeit zur Lösung des ersten Platzes beim „Drone vs. Bird Challenge“, organisiert von AVSS 2021. Mit der zunehmenden Verbreitung von Drohnen aufgrund sinkender Kosten und verbesserter Drohnen-Technologie gewinnt die Detektion von Drohnen zunehmend an Bedeutung als zentrale Aufgabe im Bereich der Objekterkennung. Die Erkennung entfernter Drohnen unter ungünstigen Bedingungen – insbesondere bei geringer Kontrastierung, großer Entfernung und eingeschränkter Sichtbarkeit – erfordert jedoch effektive Algorithmen. Unser Ansatz adressiert das Problem der Drohnen-Detektion durch die Feinabstimmung eines YOLOv5-Modells mithilfe von echten und synthetisch generierten Daten, wobei ein auf einem Kalman-Filter basierender Objektfolgealgorithmus zur Steigerung der Detektionszuverlässigkeit eingesetzt wird. Unsere Ergebnisse zeigen, dass die Erweiterung echter Trainingsdaten mit einer optimalen Teilmenge synthetischer Daten die Leistungsfähigkeit signifikant steigern kann. Darüber hinaus lässt sich die Erkennungsleistung weiter verbessern, wenn zeitliche Informationen durch Objektfolgeverfahren genutzt werden.