---
title: Xception
slug: xception-4686f
url: /detay/xception-4686f
type: article
language: Türkçe
entity:
  primary: Xception
  type: article
  disambiguation: Xception: Verimli görüntü sınıflandırma için derin öğrenme CNN mimarisi.
  categories:
    - name: Bilişim Ve İletişim Teknolojileri
      slug: bilisim-ve-iletisim-teknolojileri
      url: /kategori/bilisim-ve-iletisim-teknolojileri
    - name: Yazılım Ve Yapay Zekâ
      slug: yazilim-ve-yapay-zeka
      url: /kategori/yazilim-ve-yapay-zeka
  tags:
    - Depthwise Separable
    - Xception
    - Görüntü Sınıflandırma
    - Sinir Ağı Mimarisi
    - Bilgisayarlı Görü
    - Derin öğrenme
    - CNN
author: Kaan Gümele
created_at: 2025-04-19T03:00:48.014425+03:00
updated_at: 2025-04-26T00:18:03.481439+03:00
image: https://cdn.t3pedia.org/media/uploads/2025/04/23/RoPJOJOUiGKadkveuqH9IagT9fngL9tE.png
---

# Xception 

<!-- CONTEXT: KURE Information Cards for "Xception " -->

## KURE Information Cards

### KURE Information Card: Xception, derin ayrık konvolüsyonlar kullanarak daha az parametre ile daha etkili öğrenme sağlayan gelişmiş bir CNN mimarisidir.

| Field | Value |
|-------|-------|
| Kuruluş(Metin) | Google Inc |
| Varyantlar | NEXcepTion,Xception |
| Geliştirici(ler) | François Chollet |
| Temel Bileşen(ler) | Depthwise + Pointwise ayrımı |
| Başarı | ImageNet Top-1 ~%79 |
| Yıl(Tarih) | 2017-04-04 |
| Model | Xception |

<!-- CONTEXT: Article Content for "Xception " -->

## Article Content

[Xception](/tr/detay/xception-7dc22/llms.txt), derin öğrenmede görüntü sınıflandırma alanında yaygın olarak kullanılan bir konvolüsyonel sinir ağı (CNN) mimarisidir. Google tarafından 2017 yılında önerilen bu yapı, “Extreme Inception” (uç noktadaki Inception) anlamına gelir ve Inception mimarisinden esinlenerek geliştirilmiştir. Xception mimarisi, özellikle derin ayrık konvolüsyon (depthwise separable convolution) prensibine dayalı olmasıyla dikkat çeker. Bu yapı, daha düşük parametre sayısıyla daha yüksek performans elde etmeye olanak tanır.

### **Xception Mimarisi**

Xception, temel olarak standart konvolüsyon katmanlarının yerine derin ayrık konvolüsyonlar kullanarak bilgi işleme sürecini daha modüler ve verimli hâle getirir. Bu yapı, her bir kanalın ayrı ayrı filtrelenip ardından birleştirilmesi esasına dayanır.

![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/04/19/RduDfxz36W6pHruStFy9VPrgBds9BeXK.jpg)
*Xception Mimarisi (Kaynak =*

#### **Derin Ayrık Konvolüsyonlar**

Derin ayrık konvolüsyonlar, iki aşamalı bir işlemden oluşur:

1. **Depthwise Convolution:** Her kanal kendi filtresiyle ayrı ayrı işlenir. Bu adımda uzaysal boyutlarda filtreleme yapılır.
2. **Pointwise Convolution:** 1x1 konvolüsyonlar aracılığıyla farklı kanallar arası etkileşim sağlanır. Bu, kanal boyutlarını yeniden düzenler.

Bu iki adım, klasik konvolüsyonun yaptığı işlemleri daha verimli bir şekilde simüle eder.

### **Xception'in Yapısal Özellikleri**

Xception, 36 adet konvolüsyon katmanından oluşur. Bu katmanlar üç temel bloğa ayrılır:

- **Giriş Bloğu (Entry Flow):** Girdiyi düşük boyutlu temsillere dönüştürür. İki standart konvolüsyon katmanıyla başlar ve ardından üç adet derinlik ayrılabilir konvolüsyon bloğu içerir. Bu aşamada, giriş görüntüsünden temel kenar ve doku bilgileri çıkarılırken, boyut küçültülerek sonraki aşamalar için işlem yükü azaltılır.
- **Orta Akış (Middle Flow):** Xception mimarisinin asıl öğrenme bölümüdür. Bu blok, 8 kez tekrar eden yapılar içerir ve her yapıda üç adet derinlik ayrılabilir konvolüsyon ile bir artık bağlantı bulunur. Bu tekrarlar sayesinde model, daha karmaşık ve soyut özellikleri öğrenebilir. Orta akış bloğunun tekrarlayan yapısı, modelin derinliğini artırarak daha güçlü temsiller üretmesine yardımcı olur.
- **Çıkış Bloğu (Exit Flow):** Öğrenilen özelliklerin sınıflandırma işlemi için daha yoğun temsillere dönüştürüldüğü bölümdür. Bu kısımda da derinlik ayrılabilir konvolüsyonlar ve artık bağlantılar birlikte kullanılır. Bu bloktan sonra genellikle küresel ortalama havuzlama (global average pooling) katmanı ve ardından tam bağlantılı (fully connected) katman gelir.

![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/04/19/Sqe7seufrNzTbnYY83PgGQ8uMBOskApa.jpg)
*(a) Standart CNN (b) Derinlik Yönün Ayrılabilir CNN (Kaynak =*

Xception mimarisi, derin ayrık konvolüsyonları kullanarak klasik konvolüsyonlara kıyasla daha verimli özellik çıkarımı sağlar.

### **Kullanım Alanları**

Xception mimarisi, başta ImageNet olmak üzere çeşitli görüntü sınıflandırma ve nesne tespiti görevlerinde başarıyla kullanılmaktadır. Özellikle [MobileNetV2](/tr/detay/mobilenet-482d2/llms.txt) ve [EfficientNet](/tr/detay/efficientnet-baa24/llms.txt) gibi modellerde de benzer ayrık konvolüsyon prensipleri tercih edilmiştir. Kullanıldığı başlıca alanlar şunlardır:

- Görüntü sınıflandırma
- Tıbbi görüntü analizi
- Video analiz
- Endüstriyel kalite kontrol
- Transfer öğrenme tabanlı modeller

<!-- CONTEXT: Academic Sources and References for "Xception " -->

## Academic Sources and References

1. Chollet, F. (2017). Xception: Deep learning with depthwise separable convolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1251-1258). Erişim Adresi.
2. Gülmez, B. (2023). A novel deep neural network model based Xception and genetic algorithm for detection of COVID-19 from X-ray images. Annals of Operations Research, 328(1), 617-641. Erişim Adresi.
3. Panahi, H., Rafiei, A., & Rezaee, A. (2020). FCOD: fast COVID-19 detector based on deep learning techniques. Inform Med Unlocked 22: 100506. Erişim Adresi.
4. Shavit, H., Jatelnicki, F., Mor-Puigventós, P., & Kowalczyk, W. (2022). From xception to NEXcepTion: New design decisions and neural architecture search. arXiv preprint arXiv:2212.08448. Erişim Adresi.

<!-- CONTEXT: Related Articles for "Xception " -->

## Related Articles

- [VGG 16 ](//detay/vgg-16-8316f/llms.txt)