Les cadres de détection d'objets fondés sur l'apprentissage supervisé exigent une quantité importante d'annotations manuelles fastidieuses, ce qui peut s'avérer peu réaliste dans les applications concrètes. La détection d'objets semi-supervisée (SSOD) permet de tirer efficacement parti des données non étiquetées afin d'améliorer les performances du modèle, ce qui revêt une grande importance pour le déploiement des modèles de détection d'objets. Dans cet article, nous revisitons la SSOD et proposons Instant-Teaching, un cadre SSOD entièrement end-to-end et efficace, qui utilise une étiquetage par pseudo-étiquettes instantanées combiné à des augmentations de données faibles-fortes étendues pour l'enseignement au cours de chaque itération d'entraînement. Pour atténuer le problème de biais de confirmation et améliorer la qualité des annotations pseudo-étiquetées, nous introduisons par ailleurs un schéma de correction conjointe basé sur Instant-Teaching, noté Instant-Teaching$^*$∗. Des expériences étendues sur les jeux de données MS-COCO et PASCAL VOC confirment la supériorité de notre cadre. Plus précisément, notre méthode dépasse les méthodes de pointe de 4,2 mAP sur MS-COCO lorsqu'elle utilise uniquement 2 % de données étiquetées. Même en disposant de l'ensemble des données étiquetées de MS-COCO, la méthode proposée surpasse encore les approches de référence d'environ 1,0 mAP. Sur PASCAL VOC, une amélioration de plus de 5 mAP est obtenue en utilisant les données VOC07 comme étiquetées et VOC12 comme non étiquetées.