Die semantische Segmentierung großer, externer Punktwolken ist für das Verständnis urbaner Szenen in verschiedenen Anwendungen von entscheidender Bedeutung, insbesondere im Bereich autonomes Fahren und die Erstellung hochauflösender (HD) Stadtkartierung. Mit der rasanten Entwicklung mobiler Laserscanning-Systeme (MLS) stehen mittlerweile riesige Mengen an Punktwolken für die Szeneninterpretation zur Verfügung. Allerdings sind öffentlich zugängliche, großskalige, annotierte Datensätze, die für die Entwicklung datenbasiert ausgerichteter Methoden unerlässlich sind, weiterhin begrenzt. In dieser Arbeit wird Toronto-3D vorgestellt, ein großskaliges, urbanes, externes Punktwolken-Datenset, das mit einem MLS-System in Toronto, Kanada, erfasst wurde und für die semantische Segmentierung konzipiert ist. Das Datenset umfasst etwa 1 km Länge an Punktwolken und besteht aus etwa 78,3 Millionen Punkten mit acht annotierten Objektklassen. Baseline-Experimente zur semantischen Segmentierung wurden durchgeführt, und die Ergebnisse bestätigten die Eignung dieses Datensets zur effektiven Schulung von Deep-Learning-Modellen. Toronto-3D wird veröffentlicht, um neue Forschungsarbeiten zu fördern, und die Annotationen werden im Laufe der Zeit mit Rückmeldungen aus der Forschungsgemeinschaft weiter verbessert und aktualisiert.