La tendencia hacia la estimación de pose de naves espaciales basada en visión utilizando redes neuronales profundas, que requiere conjuntos de datos etiquetados con precisión para el entrenamiento, se aborda en este documento. Se propone un método para generar un conjunto de datos etiquetado por regresión de imágenes para la estimación de pose de naves espaciales a través de simulaciones que involucran Unreal Engine 5. Este trabajo proporciona algoritmos detallados para el muestreo de pose y la generación de imágenes, facilitando la reproducción del conjunto de datos empleado. El conjunto de datos consiste en imágenes obtenidas en condiciones de iluminación adversas y fondos de alta resolución, presentando modelos de naves espaciales que incluyen Dragon, Soyuz, Tianzhou y el vehículo de ascenso de Chang"E-6. El conjunto de datos comprende 40,000 imágenes de alta resolución, que están distribuidas uniformemente, con 10,000 imágenes para cada modelo de nave espacial en escenas con la Tierra y la Luna. Cada imagen está etiquetada con vectores de pose multivariantes que representan la posición y actitud relativas de la nave espacial correspondiente con respecto a la cámara. Este trabajo enfatiza el papel crítico de las simulaciones realistas en la creación de conjuntos de datos sintéticos rentables para entrenar estimadores de pose basados en redes neuronales y disponibles públicamente para estudios posteriores.