Malgré les progrès réalisés dans l'estimation de profondeur stéréoscopique, l'imagerie omnidirectionnelle reste sous-exploitée, principalement en raison du manque de données appropriées. Nous présentons Helvipad, un ensemble de données réel pour l'estimation de profondeur stéréoscopique omnidirectionnelle, comprenant 40 000 images vidéo issues de séquences filmées dans divers environnements, y compris des scènes intérieures et extérieures bondées avec différentes conditions d'éclairage. Collectées à l'aide de deux caméras 360° disposées en configuration haut-bas et d'un capteur LiDAR, les données incluent des étiquettes de profondeur et de disparité précises obtenues par projection de nuages de points 3D sur des images équirectangulaires. De plus, nous fournissons un ensemble d'entraînement augmenté avec une densité d'étiquettes accrue grâce à la complétion de profondeur. Nous évaluons les modèles d'estimation de profondeur stéréoscopique les plus performants pour les images standard et omnidirectionnelles. Les résultats montrent que, bien que les méthodes stéréoscopiques récentes donnent des performances satisfaisantes, un défi persiste dans l'estimation précise de la profondeur en imagerie omnidirectionnelle. Pour relever ce défi, nous introduisons des adaptations nécessaires aux modèles stéréoscopiques, conduisant à une amélioration des performances.