La création d’une annotation précise dans un grand ensemble de données est essentielle pour assurer la performance détection d’objets. Bien que la tâche de détection d’objets nécessite un grand nombre d’échantillons annotés afin de garantir ses performances, le tracé de boîtes englobantes pour chaque objet dans chaque échantillon est extrêmement chronophage et coûteux. Pour atténuer ce problème, nous proposons une méthode d’apprentissage semi-supervisé basée sur la cohérence pour la détection d’objets (CSD), une approche qui exploite les contraintes de cohérence comme outil pour améliorer la performance de détection en tirant pleinement parti des données non étiquetées disponibles. Plus précisément, la contrainte de cohérence est appliquée non seulement à la classification des objets, mais également à leur localisation. Nous avons également introduit une méthode d’élimination du fond (BE) afin de réduire l’effet négatif des arrière-plans dominants sur la performance de détection. Nous avons évalué la méthode CSD tant dans des détecteurs à une étape que dans des détecteurs à deux étapes, et les résultats démontrent l’efficacité de notre approche.