العمومية في مجال واحد (S-DG) تهدف إلى تعميم نموذج على بيئات غير مرئية باستخدام مجال مصدر واحد. ومع ذلك، تم إجراء معظم طرق العمومية في مجال واحد (S-DG) في مجال التصنيف. عند تطبيق هذه الطرق على اكتشاف الأشياء، يمكن أن تتعرض خصائص المعنى لبعض الأشياء للتلف، مما يؤدي إلى تحديد موقع غير دقيق للأجسام وتصنيف خاطئ. لحل هذه المشكلات، نقترح طريقة عمومية للنطاق مع وعي بالأجسام (OA-DG) للعمومية في مجال واحد في اكتشاف الأجسام. تتكون طرقتنا من استراتيجية تعزيز البيانات واستراتيجية التدريب، والتي تُعرف بـ OA-Mix و OA-Loss على التوالي. يولد OA-Mix بيانات متعددة النطاقات باستخدام تحويلات متعددة المستويات واستراتيجية مختلطة مع وعي بالأجسام. يمكّن OA-Loss النماذج من تعلم تمثيلات ثابتة للنطاق للأجسام والخلفيات من الصور الأصلية والمختلطة بـ OA-Mix. أثبتت طريقتنا المقترحة تفوقها على الأعمال الرائدة في المجال على مقاييس المعايير القياسية. رمز البرمجيات الخاص بنا متاح على الرابط: https://github.com/WoojuLee24/OA-DG.