Belege

1000 deutsche Rechnungen und Gutschriften als Bild, mit Text und Pixel-Box für jedes Feld. Für alle, die Belegerkennung für den deutschen Markt bauen und keinen legalen Trainingskorpus bekommen.

Echte Rechnungen sind voller personenbezogener Daten. Sie dürfen die Belege Ihrer Kunden nicht zu einem Trainingsdatensatz zusammenlegen und erst recht nicht weitergeben. Die öffentlichen Alternativen — SROIE, CORD, FUNSD — sind Kassenbons und Formulare auf Englisch oder Indonesisch, ohne einen einzigen deutschen Steuerfall.

Dieser Datensatz ist vollständig synthetisch. Jede Firma, Person, Adresse, Bankverbindung und Steuernummer ist erfunden, die IBANs liegen auf der Bankleitzahl 99999999, die die Bundesbank nie vergeben hat. Es gibt also nichts, was Sie DSGVO-seitig prüfen müssten.

Was drin ist

Kleinunternehmer und Reverse Charge sind die zwei Nullsteuer-Fälle und der Grund für den Datensatz. Ein Modell, das auf englischen Rechnungen trainiert wurde, erwartet eine Steuerzeile und erfindet eine, wenn keine da ist. Zusammen sind das 269 von 1000 Dokumenten. (Die Gutschrift ist kein Nullsteuer-Fall — sie trägt dieselbe Steuer wie eine Rechnung, nur mit negativem Vorzeichen.)

Drei strukturell unterschiedliche Seitenlayouts, nicht nur Schriftart und Akzentfarbe — Kopf, Adressplatzierung, Positionsdarstellung und Fuß unterscheiden sich zwischen ihnen, eines davon auch im Seitenformat:

Das Label

Pro Dokument eine JSON-Datei. Bis zu 17 Kopffelder — 17 bei gemischtem Steuersatz auf einem Beleg, sonst 15 oder 16 — dazu jede Position einzeln in Bezeichnung, Menge, Einzelpreis und Zeilensumme zerlegt — insgesamt 3777 Positionen. Jedes Feld hat den Text und die Box [x0, y0, x1, y1] im Bild, nach der Verzerrung, nicht davor:

{
 "id": "beleg-000000",
 "layout": "window",
 "vat_scheme": "regelbesteuert",
 "document_type": "Rechnung",
 "image_size": [
  1141,
  1579
 ],
 "fields": {
  "invoice_number": {
   "text": "RG2024-5726",
   "box": [
    941,
    343,
    1030,
    356
   ]
  },
  "invoice_date": {
   "text": "01.08.2024",
   "box": [
    960,
    368,
    1029,
    380
   ]
  },
  "supplier_name": {
   "text": "Nordlicht Werkstatt UG (haftungsbeschränkt)",
   "box": [
    512,
    121,
    1036,
    159
   ]
  },
  "gross_total": {
   "text": "2.548,54",
   "box": [
    940,
    790,
    1017,
    810
   ]
  }
 },
 "line_items": [
  {
   "pos": 1,
   "vat_rate": 19,
   "description": {
    "text": "Klimaanlagenwartung",
    "box": [
     176,
     585,
     312,
     603
    ]
   },
   "quantity": {
    "text": "6",
    "box": [
     593,
     598,
     601,
     608
    ],
    "value": 6
   },
   "unit_price": {
    "text": "144,38",
    "box": [
     763,
     603,
     805,
     616
    ],
    "value": 144.38
   },
   "line_total": {
    "text": "866,28",
    "box": [
     980,
     609,
     1022,
     623
    ],
    "value": 866.28
   }
  }
 ],
 "totals": {
  "net": 2141.63,
  "vat": 406.91,
  "gross": 2548.54,
  "vat_by_rate": {
   "19": 406.91
  }
 }
}

Die Boxen werden durch dieselbe Homographie geschickt wie das Bild, das Blatt wird also genau einmal neu abgetastet. Zwei getrennte Verzerrungsschritte würden den Text zweimal weichzeichnen und die Boxen um ein paar Pixel danebenlegen.

Deutsche Zahlenformate durchgehend: 1.234,56, Komma als Dezimaltrenner. Jedes Label wurde beim Erzeugen geprüft — Positionen müssen sich zur Nettosumme addieren, Brutto muss Netto plus Steuer sein, die gedruckte Bruttosumme muss mit der berechneten übereinstimmen, und jede Box muss im Bild liegen. Was das nicht besteht, ist gar nicht erst im Datensatz.

Was der Datensatz nicht kann

• Es sind keine echten Belege. Die Layouts stammen aus einem Generator, nicht aus dem Wareneingang von DATEV. Wer die Streuung echter Lieferantenformulare braucht, bekommt sie hier nicht.
• Kein Handschriftliches, keine Stempel, keine Heftklammern, keine getackerten Mehrseiter. Jedes Dokument ist einseitig.
• Keine Tabellenstruktur-Annotation über die Positionsfelder hinaus: es gibt Boxen für Zellen, aber keine Zeilen- und Spaltenlinien.
• Die Bilder sind rund 1400 × 2000 Pixel. Für 300-dpi-Faksimiles ist das zu wenig.

Der ehrliche Anwendungsfall ist Vortraining und Regressionstesten: genug Volumen und exakte Boxen, damit ein Modell die deutschen Sonderfälle überhaupt kennenlernt, bevor es auf die paar hundert echten Belege trifft, die Sie rechtmäßig haben.

Lizenz

Kommerzielle Nutzung ausdrücklich erlaubt, einschließlich Training und Fine-Tuning. Die Modelle und alles, was Sie damit bauen, gehören Ihnen, ohne Namensnennung. Nicht erlaubt ist, die Dateien selbst weiterzugeben oder als eigenen Datensatz auszugeben. Vollständiger Text liegt als LICENCE.txt im Archiv.

Wer das gemacht hat

Immineal — Linus Oskar Linhof, angemeldetes Kleingewerbe in Deutschland. Der Generator ist aus der Beobachtung entstanden, dass die deutschen Rechnungsdatensätze auf Hugging Face — drei verschiedene, eine vierte Kopie eingerechnet — zusammen keinen einzigen § 19-Fall enthalten und keiner von ihnen eine Lizenz nennt. Fragen, Fehlerberichte und Sonderwünsche an die Adresse unten — wenn Sie andere Layouts, mehr Dokumente oder zusätzliche Felder brauchen, ist das machbar.