Беспилотные поезда являются ключевым составным элементом следующего уровня автоматизации железных дорог. Запуск локомотивов в беспилотном режиме требует разработки надежных систем технического зрения с применением технологий искусственного интеллекта. В статье представлен метод повышения качества обучения сверточных нейронных сетей в задачах обнаружения объектов железнодорожной инфраструктуры. Достоверность визуального обнаружения объектов системой компьютерного зрения достигается за счет алгоритмического расширения наборов данных для обучения. Предложенный метод учитывает вариативность погодных условий, в которых необходимо обнаружить идентичные объекты, и позволяет генерировать модификации изображений с добавлением эффектов дождя, снега или тумана. В качестве исходного набора данных использовано 21700 аннотированных изображений, содержащих 7 классов объектов. На их основе сформирован расширенный набор из 65100 изображений с использованием разработанного метода. Для оценки эффективности предложенного подхода проведено сравнительное обучение современной модели YOLOv11 на исходном и расширенном наборах данных. Для сравнения результатов использованы метрики F1-меры и mean Average Precision (mAP). Результаты вычислительных экспериментов подтверждают, что применение расширенного набора данных способствует улучшению качества обучения. В частности, F1-мера для модели YOLO, обученной на исходном наборе данных, составила 0,72, тогда как на расширенном наборе данный параметр достиг повышенного значения 0,90. Значение второй использованной метрики mAP (50–95) увеличилось с 0,67 на исходном наборе данных до 0,83 на расширенном. Сравнительные значения метрик были получены при одинаковом пороге достоверности 0,8. Разработанный метод реализован в аппаратно-программном комплексе, который готов к тестовым испытаниям в составе комплексной системы управления и обеспечения безопасности движения грузовых поездов.