Los métodos de entrenamiento semi-supervisado necesitan etiquetas pseudo confiables para datos no etiquetados. Los métodos actuales de vanguardia basados en el etiquetado pseudo utilizan solo predicciones de alta confianza, mientras que las predicciones de baja confianza son descartadas. Este documento presenta un enfoque novedoso para generar etiquetas pseudo de alta calidad para datos no etiquetados. Utiliza predicciones con niveles de alta y baja confianza para generar etiquetas refinadas y luego valida la precisión de esas predicciones a través del seguimiento de objetos bidireccional. El rastreador de objetos bidireccional aprovecha tanto la información pasada como futura para recuperar etiquetas faltantes y aumentar la precisión de las etiquetas pseudo generadas. Este método también puede reducir sustancialmente el esfuerzo y el tiempo necesarios en la creación de etiquetas en comparación con el etiquetado manual convencional. El método propuesto utiliza un búfer para acumular etiquetas de detección (cuadros delimitadores) predichas por el detector de objetos. Estas etiquetas se refinan para precisión a través de un seguimiento hacia adelante y hacia atrás, construyendo finalmente el conjunto final de etiquetas pseudo. El método está integrado en el detector de objetos YOLOv5 y se prueba en el conjunto de datos BDD100K. A través de los experimentos, demostramos la efectividad del esquema propuesto en automatizar el proceso de generación de etiquetas pseudo con una precisión notablemente mayor que los esquemas de generación de etiquetas pseudo de vanguardia recientes. Los resultados muestran que el método propuesto supera a los métodos anteriores en términos de precisión promedio (mAP), precisión en la generación de etiquetas y velocidad. Utilizando el método de recuperación bidireccional, se logra un aumento en mAP@50 para el conjunto de datos BDD100K del 0.52%, y para el conjunto de datos de Waymo, proporciona una mejora de mAP@50 del 8.7% al 9.9% en comparación con el 8.1% del método existente al pre-entrenar con el 10% del conjunto de datos. Se logra una mejora del 2.1% al 2.9% en comparación con el 1.7% del método existente al pre-entrenar con el 20% del conjunto de datos. En general, el método mejorado conduce a una mejora significativa en la precisión de detección, logrando puntajes mAP más altos en varios conjuntos de datos, demostrando así su robustez y efectividad en diversas condiciones.