تتطلب أطر الكشف عن الكائنات المستندة إلى التعلم المراقب كميات كبيرة من التصنيفات اليدوية المتعبة، والتي قد لا تكون عملية في التطبيقات الحقيقية. يمكن للكشف عن الكائنات شبه المراقب (SSOD) الاستفادة بكفاءة من البيانات غير المصنفة لتحسين أداء النموذج، وهو ما يُعد ذا أهمية كبيرة لتطبيق نماذج الكشف عن الكائنات. في هذا البحث، نعيد النظر في SSOD ونقترح إطارًا فعّالًا بالكامل ومتسلسلًا (end-to-end) يُسمى Instant-Teaching، والذي يستخدم تسمية وهمية فورية مع توسيع عمليات التحويل الضعيف-القوي للبيانات خلال كل تدريب تكراري لغرض التدريس. ولتقليل مشكلة التحيّز التأكيدي وتحسين جودة التسميات الوهمية، نقترح أيضًا خطة تصحيح مشتركة مبنية على Instant-Teaching، ونُسمّيها Instant-Teaching$^*$∗. تُثبت التجارب الواسعة على مجموعتي بيانات MS-COCO وPASCAL VOC تفوق إطارنا. وبشكل خاص، يتفوق منهجنا على أفضل الطرق الحالية بنسبة 4.2 نقطة mAP على MS-COCO عند استخدام 2% فقط من البيانات المصنفة. وحتى مع توفر جميع المعلومات المراقبة لـ MS-COCO، لا يزال يتفوق على الطرق الحالية بنحو 1.0 نقطة mAP. أما على PASCAL VOC، فيمكن تحقيق تحسن يتجاوز 5 نقاط mAP عند استخدام بيانات VOC07 كبيانات مصنفة وبيانات VOC12 كبيانات غير مصنفة.