La microscopie optique combinée à des protocoles établis de culture cellulaire bidimensionnelle permet une imagerie quantitative à haut débit pour étudier des phénomènes biologiques. Une segmentation précise des cellules individuelles à partir des images est essentielle pour explorer des questions biologiques complexes, mais peut nécessiter des pipelines de traitement d’images sophistiqués dans les cas de faible contraste ou de densité élevée d’objets. Les méthodes basées sur l’apprentissage profond sont considérées comme les plus avancées pour la segmentation d’images, mais exigent généralement de vastes quantités de données annotées, pour lesquelles aucun ressource adéquate n’est actuellement disponible dans le domaine de l’imagerie cellulaire sans étiquetage (label-free). Nous présentons ici LIVECell, un grand jeu de données de haute qualité, manuellement annoté et validé par des experts, composé d’images en contraste de phase, incluant plus de 1,6 million de cellules issues d’une diversité de morphologies cellulaires et de densités de culture. Pour illustrer davantage son utilisation, nous entraînons des modèles basés sur des réseaux de neurones convolutifs à l’aide de LIVECell, et évaluons leur précision de segmentation à l’aide d’une suite de benchmarks proposée.