Nous considérons le problème de la détection d'objets supervisée de manière omnivore, qui permet d'utiliser des annotations non étiquetées, entièrement étiquetées et faiblement étiquetées — telles que des balises d'image, des comptages, des points, etc. — pour la détection d'objets. Ce cadre est rendu possible par une architecture unifiée, Omni-DETR, fondée sur les avancées récentes des méthodes de type « enseignant-élève » et des détecteurs basés sur les transformateurs en bout à bout. Dans cette architecture unifiée, divers types d'annotations faibles peuvent être exploités pour générer des pseudo-étiquettes précises, grâce à un mécanisme de filtrage basé sur un appariement bipartite, permettant ainsi à modèle d'apprendre efficacement. Les expérimentations montrent que Omni-DETR atteint des résultats de pointe sur plusieurs jeux de données et configurations. Nous avons également constaté que les annotations faibles contribuent à améliorer les performances de détection, et qu'un mélange de ces annotations permet d'obtenir un meilleur compromis entre le coût d'étiquetage et la précision par rapport à l'étiquetage complet standard. Ces résultats pourraient encourager la création de grands jeux de données pour la détection d'objets utilisant des annotations mixtes. Le code est disponible à l'adresse suivante : https://github.com/amazon-research/omni-detr.