يتم عادةً تنفيذ الكشف عن الكائنات من مرحلة واحدة من خلال تحسين مهام فرعية اثنتين: تصنيف الكائنات والتحديد المكاني، باستخدام رؤوس ذات فروع متوازية، مما قد يؤدي إلى مستوى معين من عدم التماثل المكاني في التنبؤات بين المهمتين. في هذه الدراسة، نقترح نموذجًا جديدًا للكشف عن الكائنات من مرحلة واحدة مُتماثل المهام (TOOD) يُنَفِّذ التماثل بين المهمتين بطريقة تعتمد على التعلم. أولاً، نصمم رأسًا جديدًا مُتماثل المهام (T-Head) الذي يوفر توازنًا أفضل بين ميزات التفاعل بين المهام وخصائص المهام المحددة، بالإضافة إلى مرونة أكبر في تعلُّم التماثل من خلال مُحدِّد مُتماثل المهام. ثانيًا، نقترح تعلُّم التماثل بين المهام (TAL) الذي يُجَمِّع (أو حتى يُوحِّد) بشكل صريح المُحاور المثلى للمهمتين أثناء التدريب، باستخدام خطة تعيين عينات مصممة خصيصًا ووظيفة خسارة مُتماثلة المهام. أجرينا تجارب واسعة على مجموعة بيانات MS-COCO، حيث حقق نموذج TOOD تقييمًا قدره 51.1 AP عند اختبار نموذج واحد بقياس واحد. وتفوّق بذلك على أحدث النماذج ذات المرحلة الواحدة بشكل كبير، مثل ATSS (47.7 AP)، وGFL (48.2 AP)، وPAA (49.0 AP)، مع عدد أقل من المعاملات (Parameters) وعدد أقل من العمليات الحسابية (FLOPs). كما أظهرت النتائج الكمية فعالية TOOD في تحسين التماثل بين مهام تصنيف الكائنات والتحديد المكاني. يمكن الوصول إلى الشفرة المصدرية عبر الرابط: https://github.com/fcjian/TOOD.