Pouvons-nous détecter des objets courants dans une variété de domaines d'images sans annotations au niveau des instances ? Dans cet article, nous présentons un cadre pour une nouvelle tâche, la détection d'objets faiblement supervisée inter-domaines, qui répond à cette question. Pour ce travail, nous disposons d'images avec des annotations au niveau des instances dans un domaine source (par exemple, les images naturelles) et d'images avec des annotations au niveau de l'image dans un domaine cible (par exemple, les aquarelles). De plus, les classes à détecter dans le domaine cible sont toutes ou une sous-ensemble de celles du domaine source. Partant d'un détecteur d'objets entièrement supervisé pré-entraîné sur le domaine source, nous proposons une technique d'adaptation de domaine progressive en deux étapes en affinant le détecteur sur deux types d'échantillons générés artificiellement et automatiquement. Nous testons nos méthodes sur nos nouveaux ensembles de données contenant trois domaines d'images et obtenons une amélioration d'environ 5 à 20 points de pourcentage en termes de précision moyenne (mAP) par rapport aux meilleures lignes de base.