Wir präsentieren PartNet: ein konsistentes, groß angelegtes Datensatz von 3D-Objekten, die mit feingranularen, instanzbasierten und hierarchischen 3D-Teilinformationen annotiert sind. Unser Datensatz umfasst 573.585 Teilinstanzen über 26.671 3D-Modelle, die 24 Objektkategorien abdecken. Dieser Datensatz ermöglicht und dient als Katalysator für viele Aufgaben wie Formanalyse, dynamische 3D-Szenenmodellierung und -simulation, Affordance-Analyse und andere. Unter Verwendung unseres Datensatzes etablieren wir drei Benchmark-Aufgaben zur Bewertung der 3D-Teilerkennung: feingranulare semantische Segmentierung, hierarchische semantische Segmentierung und Instanzsegmentierung. Wir evaluieren vier state-of-the-art 3D-Tiefenlernalgorithmen für die feingranulare semantische Segmentierung sowie drei Baseline-Methoden für die hierarchische semantische Segmentierung. Darüber hinaus schlagen wir eine neue Methode für die Teilverinstanzsegmentierung vor und demonstrieren ihre überlegene Leistung gegenüber bestehenden Methoden.