La détection d’objets faiblement supervisée a récemment attiré une attention croissante, car elle ne nécessite pas d’étiquetages par boîtes englobantes (bounding boxes) pour l’entraînement. Bien que des progrès significatifs aient été réalisés, un écart important subsiste encore en termes de performance entre la détection faiblement supervisée et la détection entièrement supervisée. Récemment, certaines approches ont utilisé des pseudo-vérités terrain générées par un détecteur faiblement supervisé afin d’entraîner un détecteur entièrement supervisé. Ces méthodes ont tendance à identifier les parties les plus représentatives des objets, et cherchent un seul rectangle englobant par classe, même lorsque plusieurs instances de la même classe sont présentes dans l’image. Pour surmonter ces limitations, nous proposons un cadre de détection faiblement supervisée vers entièrement supervisée, dans lequel un détecteur faiblement supervisé est mis en œuvre à l’aide d’un apprentissage par instances multiples (Multiple Instance Learning, MIL). Ensuite, nous introduisons un algorithme de fouille de pseudo-vérités terrain (Pseudo Ground-Truth Excavation, PGE), destiné à localiser les pseudo-vérités terrain correspondant à chaque instance présente dans l’image. Par ailleurs, nous concevons un algorithme de adaptation des pseudo-vérités terrain (Pseudo Ground-Truth Adaptation, PGA), qui permet de raffiner davantage les pseudo-vérités terrain obtenues par PGE. Enfin, nous utilisons ces pseudo-vérités terrain pour entraîner un détecteur entièrement supervisé. Des expériences étendues sur les défis PASCAL VOC 2007 et 2012 démontrent de manière convaincante l’efficacité de notre cadre. Nous obtenons respectivement 52,4 % et 47,8 % de mAP sur VOC2007 et VOC2012, une amélioration significative par rapport aux méthodes de l’état de l’art précédentes.