Nous proposons une approche d'adaptation non supervisée de détecteurs d'objets du domaine riche en étiquettes au domaine pauvre en étiquettes, permettant de réduire considérablement les coûts d'annotation associés à la détection. Récemment, des approches qui alignent les distributions des images source et cible en utilisant une perte adversariale ont été prouvées efficaces pour l'adaptation des classifieurs d'objets. Cependant, pour la détection d'objets, un alignement complet des distributions entières des images source et cible au niveau global peut échouer, car les domaines peuvent avoir des dispositions de scène distinctes et différentes combinaisons d'objets. D'un autre côté, un alignement fort des caractéristiques locales telles que la texture et la couleur est pertinent, car il ne modifie pas les sémantiques au niveau catégoriel. Cela nous motive à proposer une nouvelle méthode d'adaptation de détecteurs basée sur un alignement local fort et un alignement global faible. Notre contribution principale est le modèle d'alignement faible, qui concentre la perte d'alignement adversarial sur les images globalement similaires et met moins l'accent sur l'alignement des images globalement dissimilaires. De plus, nous concevons le modèle d'alignement de domaine fort pour ne prendre en compte que les champs récepteurs locaux de la carte de caractéristiques. Nous vérifions empiriquement l'efficacité de notre méthode sur quatre jeux de données comprenant à la fois de grands et petits écarts entre les domaines. Notre code est disponible à l'adresse \url{https://github.com/VisionLearningGroup/DA_Detection}.