Les réseaux de neurones ont fait leurs preuves dans la résolution de problèmes complexes, mais la conception de leurs architectures peut s'avérer difficile, même pour des problèmes de classification d'images. Notre objectif est de minimiser la participation humaine, c'est pourquoi nous utilisons des algorithmes évolutionnaires pour découvrir automatiquement ces réseaux. Malgré les exigences computationnelles importantes, nous démontrons qu'il est maintenant possible d'évoluer vers des modèles dont les précisions se situent dans la fourchette de celles publiées au cours de l'année écoulée. Plus précisément, nous employons des techniques évolutionnaires simples à une échelle sans précédent pour découvrir des modèles adaptés aux ensembles de données CIFAR-10 et CIFAR-100, partant de conditions initiales triviales et atteignant respectivement des précisions de 94,6 % (95,6 % pour un ensemble) et 77,0 %. Pour ce faire, nous utilisons des opérateurs de mutation novateurs et intuitifs qui permettent d'explorer de grands espaces de recherche ; nous soulignons que, une fois l'évolution lancée, aucune intervention humaine n'est nécessaire et que le résultat est un modèle entièrement entraîné. Tout au long de cette étude, nous mettons particulièrement l'accent sur la reproductibilité des résultats, la variabilité des issues et les exigences computationnelles.