L’apprentissage semi-supervisé (SSL) présente un potentiel important pour améliorer les performances prédictives des modèles d’apprentissage automatique en exploitant des données non étiquetées. Bien qu’il ait connu des progrès remarquables récemment, la portée des démonstrations dans le domaine du SSL s’est principalement limitée aux tâches de classification d’images. Dans cet article, nous proposons STAC, un cadre SSL simple mais efficace pour la détection d’objets visuels, accompagné d’une stratégie d’augmentation de données. STAC utilise des pseudo-étiquettes à haute confiance pour des objets localisés provenant d’images non étiquetées, et met à jour le modèle en imposant une consistance à travers des augmentations fortes. Nous introduisons des protocoles expérimentaux pour évaluer les performances de la détection d’objets semi-supervisée sur MS-COCO, et démontrons l’efficacité de STAC tant sur MS-COCO que sur VOC07. Sur VOC07, STAC améliore le score AP$^{0.5}$0.5 de 76,30 à 79,08 ; sur MS-COCO, STAC atteint une efficacité deux fois supérieure en matière de données en obtenant un mAP de 24,38 avec seulement 5 % de données étiquetées, contre 23,86 % pour la méthode supervisée basée sur 10 % de données étiquetées. Le code est disponible à l’adresse suivante : https://github.com/google-research/ssl_detection/.