Mit der jüngsten Entwicklung von semi-supervised Object Detection (SS-OD)-Techniken können Objektdetektoren durch die Nutzung einer begrenzten Menge an gelabelten Daten und einer großen Menge an unlabeled Daten verbessert werden. Dennoch bestehen zwei bisher ungelöste Herausforderungen: (1) Es existiert bisher keine vorherige Arbeit zu SS-OD-Methoden für anchor-free Detektoren, und (2) bestehende Ansätze erweisen sich als ineffektiv bei der Pseudolabeling von Bounding Box-Regression. In diesem Paper stellen wir Unbiased Teacher v2 vor, welches die Verallgemeinerbarkeit von SS-OD-Methoden auf anchor-free Detektoren demonstriert und zudem die Listen2Student-Mechanismus für den unsupervisierten Regression-Verlust einführt. Konkret führen wir zunächst eine Studie durch, die die Wirksamkeit bestehender SS-OD-Methoden auf anchor-free Detektoren untersucht, und stellen fest, dass diese unter semi-supervised Bedingungen nur geringe Leistungssteigerungen erzielen. Zudem beobachten wir, dass die Box-Auswahl basierend auf Centerness sowie die lokalizationsbasierte Labeling-Strategie, die in anchor-free Detektoren verwendet wird, unter semi-supervised Bedingungen nicht optimal funktionieren. Im Gegensatz dazu verhindert unsere Listen2Student-Mechanismus explizit irreführende Pseudolabels während des Trainings der Bounding Box-Regression; hierfür entwickeln wir speziell eine neuartige Pseudolabel-Auswahl-Mechanismus, der auf den relativen Unsicherheiten zwischen Teacher und Student basiert. Diese Idee trägt zu einer signifikanten Verbesserung des Regression-Zweigs im semi-supervised Setting bei. Unser Ansatz, der sowohl für anchor-free als auch anchor-basierte Methoden geeignet ist, erzielt konsistent überlegene Ergebnisse im Vergleich zu aktuellen State-of-the-Art-Methoden auf den Datensätzen VOC, COCO-standard und COCO-additional.