Die Objekterkennung mit synthetischem Apertur-Radar (SAR) hat aufgrund ihrer unverzichtbaren Fähigkeit zur Wetterunabhängigen Bildgebung in letzter Zeit erhebliche Aufmerksamkeit erhalten. Allerdings leidet dieses Forschungsgebiet sowohl an begrenzten öffentlichen Datensätzen (meist bestehend aus weniger als 2.000 Bildern mit nur einheitlichen Objektkategorien) als auch an nicht zugänglichem Quellcode. Um diesen Herausforderungen zu begegnen, haben wir einen neuen Benchmark-Datensatz und eine Open-Source-Methode für die großflächige SAR-Objekterkennung etabliert. Unser Datensatz, SARDet-100K, ist das Ergebnis intensiver Erhebungen, Sammlungen und Standardisierungen von 10 existierenden SAR-Erkennungsdatensätzen und bietet einen umfangreichen und vielfältigen Datensatz für Forschungszwecke. Nach bestem Wissen ist SARDet-100K der erste COCO-Level großflächige multiklassige SAR-Objekterkennungsdatensatz, der je erstellt wurde.Mit diesem hochwertigen Datensatz haben wir umfassende Experimente durchgeführt und eine entscheidende Herausforderung bei der SAR-Objekterkennung identifiziert: die erheblichen Unterschiede zwischen dem Vortrainieren auf RGB-Datensätzen und dem Feinjustieren auf SAR-Datensätzen hinsichtlich sowohl des Datenbereichs als auch der Modellstruktur. Um diese Lücken zu schließen, schlagen wir ein neuartiges Mehrstufen-Vortrainierungsframework mit Filter-Augmentierung (MSFA) vor, das die Probleme aus der Perspektive der Daten-Eingabe, des Bereichsübergangs und der Modellmigration angeht. Die vorgeschlagene MSFA-Methode verbessert die Leistung von SAR-Objekterkennungsmodellen erheblich und zeigt außergewöhnliche Generalisierungsfähigkeit und Flexibilität bei verschiedenen Modellen. Diese Arbeit zielt darauf ab, den Weg für weitere Fortschritte in der SAR-Objekterkennung zu ebnen. Der Datensatz und der Code sind unter https://github.com/zcablii/SARDet_100K verfügbar.