Neuere Fortschritte im semi-supervised Object Detection (SSOD) werden maßgeblich durch konsistenzbasierte Pseudo-Labeling-Methoden für Bildklassifizierungsaufgaben getrieben, die Pseudo-Labels als überwachende Signale erzeugen. Bei der Verwendung solcher Pseudo-Labels wird jedoch die Genauigkeit der Lokalisierung und die verstärkte Klassenungleichgewichtsproblematik kaum berücksichtigt, was für Detektionsaufgaben jedoch entscheidend ist. In diesem Artikel stellen wir certainty-aware Pseudo-Labels vor, die speziell für Object Detection konzipiert sind und die Klassifikations- und Lokalisierungsgüte der abgeleiteten Pseudo-Labels effektiv schätzen können. Dies wird erreicht, indem die herkömmliche Lokalisierungsaufgabe zunächst als Klassifikationsaufgabe formuliert und anschließend verfeinert wird. Unter Berücksichtigung der Klassifikations- und Lokalisierungsgütescores dynamisch anpassbare Schwellenwerte zur Generierung von Pseudo-Labels sowie eine adaptive Gewichtung der Verlustfunktionen je Kategorie verwendet, um das Problem der Klassenungleichgewichts zu mildern. Umfangreiche Experimente zeigen, dass unsere Methode die Leistung des aktuellen Standes der Technik im SSOD auf COCO und PASCAL VOC um 1–2 % AP verbessert, wobei unsere Methode orthogonal und komplementär zu den meisten bestehenden Ansätzen ist. Im Szenario mit begrenzten Annotationen steigert unser Ansatz die Leistung überwachter Baselines um bis zu 10 % AP, wobei lediglich 1–10 % der gelabelten Daten aus COCO verwendet werden.