半监督目标检测（Semi-Supervised Object Detection, SSOD）在提升R-CNN系列与无锚框检测器的性能方面已取得显著成效。然而，单阶段基于锚框的检测器由于缺乏生成高质量、灵活伪标签的结构，导致在半监督学习过程中出现严重的不一致性问题。本文提出一种高效教师（Efficient Teacher）框架，用于实现可扩展且高效的单阶段基于锚框的半监督目标检测训练，该框架由密集检测器（Dense Detector）、伪标签分配器（Pseudo Label Assigner）和周期适配器（Epoch Adaptor）三部分组成。密集检测器（Dense Detector）是一个基础模型，其在RetinaNet基础上引入了受YOLOv5启发的密集采样技术。Efficient Teacher框架提出了一种新颖的伪标签分配机制——伪标签分配器（Pseudo Label Assigner），能够更精细地利用密集检测器生成的伪标签。周期适配器（Epoch Adaptor）则是一种实现稳定且高效端到端半监督训练调度的方法。伪标签分配器有效抑制了在师生互学机制中因大量低质量伪标签带来的偏差问题；而周期适配器通过引入领域与分布自适应策略，使密集检测器能够学习到全局一致的特征表示，从而实现对标注数据比例的不敏感训练。实验结果表明，Efficient Teacher框架在VOC、COCO-standard以及COCO-additional数据集上均取得了当前最优的性能表现，且所需浮点运算量（FLOPs）低于以往方法。据我们所知，这是首次将半监督目标检测技术成功应用于YOLOv5架构的尝试。代码已开源：https://github.com/AlibabaResearch/efficientteacher