Die Beschaffung von Daten zur Schulung von auf Deep Learning basierenden Objekterkennungssystemen für unbemannte Luftfahrzeuge (UAVs) ist kostspielig, zeitaufwendig und kann in bestimmten Umgebungen sogar gesetzlich verboten sein. Im Gegensatz dazu sind synthetische Daten schnell und kostengünstig zugänglich. In dieser Arbeit untersuchen wir das Potenzial der Verwendung synthetischer Daten für die Objekterkennung von UAVs in verschiedenen Anwendungsumgebungen. Dazu erweitern wir den Open-Source-Framework DeepGTAV, um es für UAV-Szenarien nutzbar zu machen. Wir generieren verschiedene große, hochauflösende synthetische Datensätze in mehreren Domänen und demonstrieren deren Einsatz für die reale Objekterkennung von UAVs durch die Analyse mehrerer Trainingsstrategien über verschiedene Modelle hinweg. Zudem analysieren wir verschiedene Parameter für die Datengenerierung und -abtastung, um praxisnahe ingenieurtechnische Empfehlungen für zukünftige wissenschaftliche Forschung bereitzustellen. Das DeepGTAV-Framework ist unter https://git.io/Jyf5j verfügbar.