Diagnosticar la infección por COVID-19 a través de la clasificación de imágenes de tórax utilizando técnicas de aprendizaje automático enfrenta muchos problemas controvertidos debido a la naturaleza intrínseca de los datos de imágenes médicas y las arquitecturas de clasificación. La detección de lesiones causadas por COVID-19 en el pulmón humano con propiedades como la ubicación, el tamaño y la distribución es más práctica y significativa para los trabajadores médicos para la evaluación de la gravedad, el monitoreo del progreso y el tratamiento, mejorando así la recuperación de los pacientes. Propusimos un detector de lesiones pulmonares asociadas con COVID-19 basado en una arquitectura de detección de objetos. Aprende correctamente características relevantes para la enfermedad al centrarse en los datos de anotación de lesiones pulmonares de imágenes médicas. Un conjunto de datos de imágenes de COVID-19 anotadas actualmente no existe. Diseñamos nuestro método semi-auto-supervisado, que puede extraer conocimiento de datos de imágenes de neumonía anotadas disponibles y guiar a un principiante en la anotación de lesiones en imágenes de COVID-19 en ausencia de un especialista médico. Preparamos un conjunto de datos suficiente con casi 8000 anotaciones de lesiones pulmonares para entrenar nuestro modelo de aprendizaje profundo. Evaluamos exhaustivamente nuestro modelo en un conjunto de datos de prueba con casi 1500 anotaciones. Los resultados demostraron que las imágenes de COVID-19 anotadas por nuestro método mejoraron significativamente la precisión del modelo hasta 1.68 veces, y nuestro modelo compite con soluciones comercializadas. Finalmente, todos los datos experimentales de múltiples fuentes con diferentes formatos de datos de anotación se estandarizan en un formato COCO unificado y están disponibles públicamente para la comunidad de investigación para acelerar la investigación sobre la detección de COVID-19 utilizando el aprendizaje profundo.