Cet article présente un nouveau jeu de données à grande échelle pour le suivi de plusieurs personnes — \texttt{PersonPath22} — dont la taille dépasse d’un ordre de grandeur les jeux de données actuellement disponibles pour le suivi multi-objets de haute qualité, tels que MOT17, HiEve et MOT20. Le manque de données d’entraînement et de test à grande échelle pour cette tâche a limité la capacité de la communauté à évaluer les performances de ses systèmes de suivi dans une large variété de scénarios et de conditions, telles que les variations de densité des personnes, les actions effectuées, les conditions météorologiques ou l’heure de la journée. Le jeu de données \texttt{PersonPath22} a été spécifiquement constitué afin de couvrir une grande diversité de ces conditions, et nos annotations incluent des métadonnées riches permettant d’évaluer les performances d’un suiveur selon ces différents axes. Par ailleurs, le manque de données d’entraînement a également entravé la possibilité de former de manière end-to-end les systèmes de suivi. En conséquence, les systèmes de suivi les plus performants reposent tous sur des détecteurs puissants entraînés sur des jeux de données d’images externes. Nous espérons que la mise à disposition de ce jeu de données stimulera de nouvelles recherches exploitant les données vidéo à grande échelle pour l’entraînement.