Las redes neuronales convolucionales (CNNs) han mostrado un rendimiento decente en una variedad de tareas de visión por computadora. Sin embargo, estas configuraciones de red son en su mayoría hechas a mano, lo que conduce a la ineficiencia en la red construida. Se han propuesto varios algoritmos para abordar este problema, pero las ineficiencias resultantes de la intervención humana no se han abordado. Nuestro algoritmo propuesto EvolveNet es un algoritmo de búsqueda evolutiva sin tarea específica que puede encontrar de forma automática escalas óptimas de profundidad y ancho de manera eficiente. Las configuraciones óptimas no se encuentran utilizando la búsqueda en cuadrícula, sino que evolucionan a partir de una red existente. Esto elimina las ineficiencias que emanan de la elaboración manual, reduciendo así la disminución en la precisión. El algoritmo propuesto es un marco para buscar a través de un gran espacio de búsqueda de subredes hasta encontrar una configuración adecuada. Experimentos extensos en el conjunto de datos de ImageNet demuestran la superioridad del método propuesto al superar a los métodos de vanguardia.