UNachhaltige Fischereipraktiken weltweit stellen eine große Bedrohung für marine Ressourcen und Ökosysteme dar. Die Identifizierung von Schiffen, die in konventionellen Überwachungssystemen nicht auftauchen – als „Dunkelschiffe“ bekannt – ist entscheidend für die Verwaltung und Sicherung der Gesundheit mariner Umgebungen. Mit dem Aufkommen von satellitengestützten synthetischen Apertur-Radars (SAR) und moderner maschineller Lernverfahren (ML) ist es nun möglich, die automatische Erkennung von Dunkelschiffen Tag und Nacht sowie unter allen Wetterbedingungen zu realisieren. SAR-Bilder erfordern jedoch eine fachspezifische Bearbeitung und sind der ML-Gemeinschaft nicht weitgehend zugänglich. Maritime Objekte (Schiffe und Offshore-Infrastruktur) sind relativ klein und spärlich vertreten, was traditionelle Computer-Vision-Ansätze herausfordert. Wir präsentieren den größten etikettierten Datensatz zur Ausbildung von ML-Modellen zur Erkennung und Charakterisierung von Schiffen und Meeresstrukturen in SAR-Bildern. xView3-SAR besteht aus fast 1.000 bereitstellungsfähigen SAR-Bildern der Sentinel-1-Mission, die im Durchschnitt jeweils 29.400 mal 24.400 Pixel umfassen. Die Bilder wurden durch eine Kombination aus automatisierter und manueller Analyse annotiert. Zu jedem SAR-Bild werden ko-lokale Bathymetrie- und Windzustand-Raster bereitgestellt. Zudem geben wir einen Überblick über die xView3 Computer Vision Challenge, einen internationalen Wettbewerb zur Schiffserkennung und -charakterisierung auf großem Maßstab unter Verwendung von xView3-SAR. Wir veröffentlichen die Daten (\href{https://iuu.xview.us/}{https://iuu.xview.us/}) und den Code (\href{https://github.com/DIUx-xView}{https://github.com/DIUx-xView}), um die kontinuierliche Entwicklung und Bewertung von ML-Ansätzen für diese wichtige Anwendung zu unterstützen.