Nous présentons PartNet : un ensemble de données cohérent et à grande échelle composé d'objets 3D annotés avec des informations détaillées, au niveau de l'instance et hiérarchiques sur les parties 3D. Notre ensemble de données comprend 573 585 instances de parties réparties sur 26 671 modèles 3D couvrant 24 catégories d'objets. Cet ensemble de données permet et sert de catalyseur pour de nombreuses tâches telles que l'analyse de forme, la modélisation et la simulation de scènes 3D dynamiques, l'analyse des affordances, et d'autres. En utilisant notre ensemble de données, nous établissons trois tâches de référence pour évaluer la reconnaissance des parties 3D : la segmentation sémantique fine, la segmentation sémantique hiérarchique et la segmentation d'instances. Nous évaluons quatre algorithmes d'apprentissage profond 3D de pointe pour la segmentation sémantique fine et trois méthodes de base pour la segmentation sémantique hiérarchique. Nous proposons également une nouvelle méthode pour la segmentation d'instances de parties et démontrons sa supériorité par rapport aux méthodes existantes.