Das Annotieren von Daten für Maschinelles Lernen ist arbeitsintensiv und fehleranfällig. Diese Arbeit erforscht die Generierung von synthetischen Trainingsbildern und -annotation, mithilfe von physikbasiertem 3D-Rendering, zum Training neuronaler Netze für Instanzsegmentierung im Kontext vom Erkennen von Transporteinheiten. Es wurden Datensätze mit steigender Komplexität generiert und zum Training neuronaler Netze verwendet. Anschließend wird evaluiert wie gut diese Netze auf echten Bildern im Vergleich zu einem Referenznetzwerk, das auf echten Daten trainiert wurde, abschneiden. Die erreichten Evaluationsergebnisse der neuronalen Netze sind ähnlich, jedoch signifikant niedriger als die des Referenznetzwerks. Die Ergebnisse zeigen, dass Verbesserungen durch zielgerichtete Anpassungen und Erweiterungen der Datensätze zu erzielen sind, sie jedoch noch nicht zum Ersatz von echten Daten geeignet sind.