Los algoritmos de detección de objetos semisupervisados basados en el paradigma de autoentrenamiento producen cuadros delimitadores pseudo con ruido inevitable. Proponemos un algoritmo de detección de objetos semisupervisado basado en modelos maestro-alumno con cabezas fuertes-débiles para hacer frente a este problema. Las cabezas fuertes y débiles del modelo maestro resuelven el problema de medición de calidad de la localización de etiquetas pseudo para obtener etiquetas pseudo de mayor calidad. Las cabezas fuertes y débiles del modelo alumno están desacopladas para reducir el impacto negativo del ruido de las etiquetas pseudo en la clasificación y regresión. Alcanzamos 52.5 mAP (+1.8) en el conjunto de datos de clases de objetos visuales de PASCAL (PASCAL VOC) e incluso hasta 53.5 mAP (+3.2) utilizando Microsoft common objects in context (MS-COCO) train2017 como datos no etiquetados adicionales. En el conjunto de datos de MS-COCO, nuestro método también mejora alrededor de 1.0 mAP con las configuraciones experimentales de 10% COCO y COCO-full como datos etiquetados.