La classification de toutes les cellules d’un organe constitue un problème pertinent et difficile en biologie du développement végétal. Nous reformulons ici ce problème sous la forme d’un nouveau benchmark pour la classification de nœuds dans un graphe géo-référencé. Sa résolution exige l’apprentissage de la disposition spatiale de l’organe, y compris de ses symétries. Afin de faciliter l’évaluation des nouvelles méthodes d’apprentissage géométrique, nous mettons à disposition ce benchmark sur les ovules d’Arabidopsis thaliana sous forme d’un chargeur de données PyTorch, accompagné d’un grand nombre de caractéristiques prédéfinies. Enfin, nous évaluons huit architectures récentes de réseaux de neurones graphiques, et constatons que DeeperGCN se distingue actuellement comme la méthode la plus performante sur ce problème.