本文提出了一种端到端的半监督目标检测方法，与以往更为复杂的多阶段方法形成对比。该端到端训练框架在课程学习过程中逐步提升伪标签的质量，而日益精确的伪标签反过来又促进了目标检测模型的训练效果。在此框架下，我们进一步提出了两种简单但高效的技术：一是“软教师”机制，即根据教师网络为每个未标注边界框生成的分类得分，对分类损失进行加权；二是“框抖动”（box jittering）策略，用于筛选出可靠的伪边界框以优化回归分支的学习。在COCO基准测试中，该方法在不同标注比例（1%、5% 和 10%）下均显著优于此前的先进方法。此外，当标注数据量相对充足时，本方法同样表现出色。例如，在使用完整COCO训练集训练的基线检测器（mAP为40.9）基础上，仅利用COCO中的12.3万张未标注图像，即可实现+3.6 mAP的提升，达到44.5 mAP。在当前最先进的基于Swin Transformer的目标检测器（test-dev上达到58.9 mAP）上，该方法仍能显著提升检测精度至60.4 mAP（+1.5 mAP），同时将实例分割精度提升至52.4 mAP（+1.2 mAP）。进一步结合Object365预训练模型后，检测精度进一步提升至61.3 mAP，实例分割精度达到53.0 mAP，刷新了当前最优性能纪录，达到了新的技术水平。