Halbüberwachtes Lernen, d. h. das Training von Netzwerken sowohl mit etikettierten als auch mit nicht-etikettierten Daten, hat in letzter Zeit erhebliche Fortschritte gemacht. Bestehende Arbeiten haben sich jedoch hauptsächlich auf Bildklassifizierungsaufgaben konzentriert und vernachlässigt die Objekterkennung, die einen höheren Annotationseinsatz erfordert. In dieser Arbeit untersuchen wir das Halbüberwachte Objekterkennung (SS-OD) neu und identifizieren das Problem der Pseudo-Etikettierungsbias in SS-OD. Um dieses Problem zu lösen, stellen wir den Unbiased Teacher vor, einen einfachen aber effektiven Ansatz, der ein Schüler-Netzwerk und ein schrittweise fortschreitendes Lehrer-Netzwerk in einem gegenseitig vorteilhaften Verfahren gemeinsam trainiert. Zusammen mit einem Klassenbalance-Verlust zur Reduzierung übermäßig sicherer Pseudo-Etiketten verbessert der Unbiased Teacher bestehende Methoden erheblich auf den COCO-Standard-, COCO-zusätzlichen und VOC-Datensätzen. Insbesondere erreicht der Unbiased Teacher eine Verbesserung des absoluten mAP um 6,8 Punkte gegenüber dem aktuellen Stand der Technik bei Verwendung von 1 % etikettierter Daten im MS-COCO-Datensatz und verbessert sich um etwa 10 mAP-Punkte gegenüber dem überwachten Baseline-Modell bei Verwendung von nur 0,5 %, 1 % oder 2 % etikettierter Daten im MS-COCO-Datensatz.