Detrás del rápido desarrollo de los métodos de aprendizaje profundo, las anotaciones masivas de datos son indispensables pero bastante costosas. Se han propuesto muchos métodos de aprendizaje activo (AL) y aprendizaje semi-supervisado (SSL) para abordar este problema en tareas de clasificación de imágenes. Sin embargo, estos métodos enfrentan un nuevo desafío en tareas de detección de objetos, ya que la detección de objetos requiere información de clasificación y de localización en el proceso de etiquetado. Por lo tanto, en este documento se presenta un marco de detección de objetos que combina aprendizaje activo y semi-supervisado. A medida para tareas de detección de objetos, la incertidumbre de una imagen no etiquetada se mide desde dos perspectivas, a saber, estabilidad de clasificación y estabilidad de localización. Las imágenes no etiquetadas con baja incertidumbre se anotan manualmente como parte de AL, y aquellas con alta incertidumbre se etiquetan pseudo con los resultados de predicción del detector como parte de SSL. Además, para filtrar mejor las cajas pseudo ruidosas traídas por SSL, se propone una nueva estrategia de extracción de pseudoetiquetas que incluye un puntaje de agregación de estabilidad (SAS) y un umbral adaptativo dinámico (DAT). El SAS agrega los puntajes de estabilidad de clasificación y localización para medir la calidad de las cajas predichas, mientras que el DAT ajusta adaptativamente los umbrales para cada categoría para aliviar el problema de desequilibrio de clases. Los extensos resultados experimentales demuestran que nuestro método propuesto supera significativamente a los métodos de AL y SSL de última generación.