La creciente popularidad de los drones para aplicaciones del Internet de las Cosas (IoT) ha llevado a un interés significativo en la investigación sobre la navegación autónoma en entornos desconocidos y dinámicos. Los investigadores están utilizando técnicas de aprendizaje supervisado que se basan en conjuntos de datos de imágenes para entrenar drones para la navegación autónoma, que se utilizan típicamente para rescate, vigilancia y entrega de ayuda médica. Los conjuntos de datos actuales carecen de datos que permitan a los drones navegar en un entorno 3D; la mayoría de estos datos están dedicados a coches autónomos o navegación dentro de edificios. Por lo tanto, este estudio presenta un conjunto de datos de imágenes para entrenar drones para la navegación en 3D. Desarrollamos un algoritmo para capturar estos datos de múltiples mundos en el simulador Gazebo utilizando un cuadricóptero. Este conjunto de datos incluye imágenes de obstáculos a diversas altitudes de vuelo e imágenes del horizonte para ayudar a un dron a volar a una altitud apropiada, lo que le permite evitar obstáculos y evita que vuele innecesariamente alto. Utilizamos aprendizaje profundo (DL) para desarrollar un modelo que clasifique y prediga los tipos de imágenes. Once experimentos realizados con el simulador Gazebo utilizando un dron y una red neuronal convolucional (CNN) demostraron la efectividad de la base de datos para evitar diferentes tipos de obstáculos mientras se mantiene una altitud apropiada y la capacidad del dron para navegar en un entorno 3D.