Nous abordons le problème complexe de l'adaptation de domaine non supervisée sans source (SFUDA) pour la segmentation sémantique 3D. Il s'agit d'effectuer une adaptation de domaine sur un domaine cible non étiqueté sans accès aux données source ; l'information disponible est un modèle formé pour obtenir de bonnes performances sur le domaine source. Un problème courant des approches SFUDA existantes est que les performances se dégradent après un certain temps d'entraînement, ce qui est une conséquence d'un problème mal défini et sous-construit. Nous discutons de deux stratégies pour atténuer cette difficulté. Premièrement, nous proposons une méthode judicieuse pour régulariser le problème d'apprentissage. Deuxièmement, nous introduisons un critère novateur basé sur l'accord avec un modèle de référence. Ce critère est utilisé (1) pour arrêter l'entraînement au moment opportun et (2) comme validateur pour sélectionner les hyperparamètres sans aucune connaissance du domaine cible. Nos contributions sont faciles à mettre en œuvre et peuvent être facilement intégrées à toutes les méthodes SFUDA, garantissant des améliorations stables par rapport à toutes les lignes de base. Nous validons nos résultats dans diverses configurations de lidar 3D, atteignant des performances de pointe. Le dépôt du projet (avec le code) est : github.com/valeoai/TTYD.