L'evoluzione della Computer Vision nell'ultimo decennio, con l'avvento del Deep Learning, ha evidenziato una criticità strutturale: la dipendenza da dataset di addestramento vasti e accuratamente annotati. Sebbene benchmark reali come Microsoft COCO rappresentino lo standard attuale, essi soffrono di limitazioni intrinseche quali elevati costi di annotazione manuale, bias di selezione, scarsità di scenari critici e implicazioni dovute a Privacy e Licensing. Il presente lavoro di tesi si inserisce in questo contesto, esplorando il paradigma del Sim-to-Real gap attraverso la generazione procedurale di dati sintetici per l'Object Detection. L'obiettivo centrale della ricerca è l'analisi comparativa tra diversi motori di rendering, quali Cycles e EEVEE-Next in Blender, e Path Tracing e Deferred Rendering per quanto riguarda Unreal Engine.