L’acquisition de données pour former des détecteurs d’objets basés sur les réseaux de neurones profonds sur des véhicules aériens non habités (UAV) est coûteuse, longue et peut même être interdite par la loi dans certains environnements. En revanche, les données synthétiques sont rapides et peu coûteuses à obtenir. Dans ce travail, nous explorons le potentiel d’utilisation des données synthétiques pour la détection d’objets à partir d’UAV dans divers contextes d’application. À cette fin, nous étendons le cadre open-source DeepGTAV afin qu’il soit adapté aux scénarios d’UAV. Nous capturons plusieurs jeux de données synthétiques à grande échelle et à haute résolution dans différentes domaines afin de démontrer leur utilité pour la détection d’objets dans des situations réelles à partir d’UAV, en analysant diverses stratégies d’entraînement sur plusieurs modèles. Par ailleurs, nous étudions plusieurs paramètres différents liés à la génération et à l’échantillonnage des données, afin d’offrir des recommandations concrètes pour les recherches scientifiques ultérieures. Le cadre DeepGTAV est disponible à l’adresse https://git.io/Jyf5j.