Grâce aux récents progrès des techniques de détection d’objets semi-supervisée (SS-OD), les détecteurs d’objets peuvent être améliorés en exploitant une quantité limitée de données étiquetées et une abondance de données non étiquetées. Toutefois, deux défis restent encore non résolus : (1) aucune étude antérieure sur la SS-OD n’a été menée sur des détecteurs sans ancres (anchor-free), et (2) les approches existantes s’avèrent inefficaces lorsqu’il s’agit de l’étiquetage par pseudo-étiquettes pour la régression des boîtes englobantes. Dans cet article, nous présentons Unbiased Teacher v2, qui étend la généralisation des méthodes SS-OD aux détecteurs sans ancres et introduit un mécanisme appelé Listen2Student pour la perte de régression non supervisée. Plus précisément, nous menons d’abord une étude sur l’efficacité des méthodes SS-OD existantes sur des détecteurs sans ancres, et constatons qu’elles obtiennent des améliorations bien moindres dans un cadre semi-supervisé. Nous observons également que la sélection de boîtes basée sur la centricité, ainsi que l’étiquetage fondé sur la localisation utilisés dans les détecteurs sans ancres, ne fonctionnent pas efficacement dans un cadre semi-supervisé. À l’inverse, notre mécanisme Listen2Student prévient explicitement l’apparition de pseudo-étiquettes trompeuses lors de l’entraînement de la régression des boîtes englobantes ; nous proposons spécifiquement un nouveau mécanisme de sélection de pseudo-étiquettes fondé sur les incertitudes relatives du modèle Enseignant (Teacher) et du modèle Étudiant (Student). Cette approche contribue à une amélioration significative de la branche de régression dans un cadre semi-supervisé. Notre méthode, applicable aussi bien aux détecteurs avec ancres qu’aux détecteurs sans ancres, se distingue de manière cohérente par ses performances supérieures par rapport aux méthodes de pointe sur les jeux de données VOC, COCO-standard et COCO-additional.