La segmentation sémantique de nuages de points extérieurs à grande échelle est essentielle pour la compréhension des scènes urbaines dans diverses applications, notamment la conduite autonome et la cartographie haute définition (HD) des villes. Grâce au développement rapide des systèmes de balayage laser mobile (MLS), de vastes quantités de nuages de points sont désormais disponibles pour l’analyse des scènes, mais les jeux de données étiquetés à grande échelle accessibles au public, indispensables au développement des méthodes fondées sur l’apprentissage automatique, restent encore limités. Ce papier présente Toronto-3D, un jeu de données volumineux de nuages de points extérieurs urbains acquis à Toronto, au Canada, à l’aide d’un système MLS, destiné à la segmentation sémantique. Ce jeu de données couvre environ 1 km de nuages de points et comprend environ 78,3 millions de points étiquetés selon 8 catégories d’objets. Des expériences baselines pour la segmentation sémantique ont été menées, dont les résultats confirment la capacité de ce jeu de données à entraîner efficacement des modèles d’apprentissage profond. Toronto-3D est mis à disposition pour encourager de nouvelles recherches, et les étiquettes seront progressivement améliorées et mises à jour en fonction des retours de la communauté scientifique.