Les travaux récents sur l'estimation de profondeur se sont jusqu'à présent concentrés uniquement sur les images projectives, ignorant le contenu 360° qui est maintenant produit de manière de plus en plus abondante et facile. Nous démontrons que les modèles d'estimation de profondeur monoculaire formés sur des images traditionnelles produisent des résultats sous-optimaux sur des images omnidirectionnelles, soulignant ainsi la nécessité de former ces modèles directement sur des ensembles de données 360°, qui sont cependant difficiles à acquérir. Dans cette étude, nous contourne les défis liés à l'acquisition de jeux de données 360° de haute qualité avec des annotations de profondeur vérité-terrain, en réutilisant des ensembles de données 3D à grande échelle récemment publiés et en les adaptant aux images 360° par le biais du rendu. Ce jeu de données, considérablement plus grand que les ensembles similaires d'images projectives, est mis à disposition publiquement pour la communauté afin de faciliter les recherches futures dans cette direction. Nous utilisons cet ensemble de données pour apprendre la tâche d'estimation de profondeur à partir d'images 360° de manière end-to-end. Nous présentons des résultats prometteurs non seulement dans nos données synthétiques mais également dans des images réalistes inédites.