半监督学习，即使用标记数据和未标记数据共同训练网络，近年来取得了显著进展。然而，现有的研究主要集中在图像分类任务上，而忽视了需要更多标注努力的目标检测任务。在本工作中，我们重新审视了半监督目标检测（SS-OD），并识别出其中存在的伪标签偏差问题。为了解决这一问题，我们引入了一种简单而有效的方法——无偏教师（Unbiased Teacher），该方法以互惠互利的方式联合训练一个学生模型和一个逐步进步的教师模型。结合类别平衡损失来降低过于自信的伪标签权重，无偏教师在COCO标准、COCO附加和VOC数据集上显著提升了现有最先进方法的表现。具体而言，当使用MS-COCO数据集中1%的标记数据时，无偏教师相比最先进方法实现了6.8个绝对mAP的提升；而在仅使用0.5%、1%和2%的标记数据时，无偏教师相对于有监督基线方法在MS-COCO数据集上实现了约10个mAP的提升。