我们研究了全监督（omni-supervised）目标检测问题，该方法能够同时利用未标注数据、完全标注数据以及弱标注数据（如图像标签、目标数量、点标注等）进行目标检测。这一能力得益于一种统一的架构——Omni-DETR，其建立在近期学生-教师框架（student-teacher framework）以及端到端基于Transformer的目标检测方法的进展之上。在该统一架构下，通过基于二分图匹配的过滤机制，不同类型的弱标注可被有效利用，生成高精度的伪标签，供模型学习。实验结果表明，Omni-DETR在多个数据集和不同设置下均取得了当前最优的性能表现。我们还发现，弱标注有助于提升检测性能，而多种弱标注形式的混合使用，能够在标注成本与检测精度之间实现更优的权衡，优于传统的全标注方式。这些发现为构建包含混合标注的大规模目标检测数据集提供了有力支持。代码已开源，地址为：https://github.com/amazon-research/omni-detr。