---
title: "Faturadan görsel LLM ile JSON veri çıkarma | BroadRouter"
description: "Fatura, fiş ve formlar için üretim hattı: görüntü hazırlığı, JSON şemalı istem, Pydantic doğrulaması, aritmetik kontroller, yeniden deneme ve insan inceleme kuyruğu."
url: https://broadrouter.com/tr/blog/extract-data-from-documents-with-vision-llm/
lang: tr
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

İngilizceden yapay zekâ desteğiyle çevrilmiştir. [İngilizce aslını okuyun](https://broadrouter.com/blog/extract-data-from-documents-with-vision-llm/) (güncelleme: 2026-11-14).

# Fatura, fiş ve formlardan görsel LLM ile JSON veri çıkarma

BroadNet Inference ekibi · 4 dk okuma · Yayımlandı 2026-11-14

Her sayfayı görüntüye çevirin, her alanı ve biçimini adlandıran bir istemle görsel modele gönderin ve yalnızca JSON isteyin. Ardından kodda doğrulayın: ayrıştırın, şemayı kontrol edin, satır kalemlerinin toplamı verip vermediğine bakın ve hatayla bir kez yeniden deneyin. Tekrar başarısız olanları bir kişiye yönlendirin.

## Öne çıkanlar

-   Model okur, kararı kodunuz verir. Çıkarılan veriyi şema ve aritmetik kontroller olmadan asla bir deftere yazmayın.
-   İstemde her alanı, türünü ve biçimini adlandırın; bir alan eksikse ne döneceğini söyleyin (null, asla tahmin değil).
-   Aritmetik kontroller yanlış okumaların çoğunu yakalar: satır toplamları ara toplamı vermeli, ara toplam artı vergi de genel toplama eşit olmalı.
-   Doğrulama hatasını isteme ekleyerek bir kez yeniden deneyin; tekrar başarısız olanları insan kuyruğuna gönderin.
-   Kullandıkça öde modelinde görüntüler girdi token'ı olarak faturalandırılır ve büyük görüntüler daha fazla token harcar; göndermeden önce boyutlandırın.

**Bu sayfada**

1.  Hat nasıl görünüyor?
2.  Belge görüntüleri nasıl hazırlanır?
3.  Veri çıkarma istemi nasıl yazılmalı?
4.  Yapılandırılmış çıktı nasıl alınır ve doğrulanır?
5.  Hangi kontroller en çok hatayı yakalar?
6.  Canlıya geçmeden önce doğruluk nasıl ölçülür?
7.  BroadNet Inference’ta hangi görsel modeller uygun?
8.  BroadNet Inference nerede devreye giriyor?

_[image: A paper invoice headed "فاتورة" (invoice) with tabs labelled Vendor, Date and Total, and the text "Turn documents into useful data."]_

Illustrative example.

Faturalar, fişler ve formlar aynı sorunu paylaşır: veri bir resmin içindedir ve siz onu bir veritabanında istersiniz. Şablon tabanlı OCR her yeni tedarikçi düzeninde bozulur. Bir [görsel dil modeli](https://broadrouter.com/tr/glossary/vision-language-model/) sayfayı okur ve alanları doğrudan döndürür. İşin püf noktası şu: kendinden emin bir şekilde yanılabilir, bu yüzden asıl iş onun etrafındaki hatta. Bu yazı her dil için geçerli genel hattı anlatıyor. Arapça belgeler için kurulumda [Arapça faturaları görsel modelle okuma](https://broadrouter.com/tr/guides/read-arabic-invoices-with-vision/) kılavuzuna, klasik OCR’ın ne zaman daha iyi araç olduğu için [Arapça OCR ve görsel LLM’ler](https://broadrouter.com/tr/blog/arabic-ocr-vision-llm/) yazısına bakın.

## Hat nasıl görünüyor?

1.  **Hazırlayın**: her sayfa için PDF’leri görüntüye çevirin, döndürmeyi düzeltin, boyutlandırın.
2.  **Çıkarın**: belge başına alan alan bir istemle tek istek, yalnızca JSON.
3.  **Doğrulayın**: ayrıştırma, şema kontrolü, aritmetik kontrol.
4.  Doğrulama başarısız olursa hata mesajıyla bir kez **yeniden deneyin**.
5.  **İnceleyin**: hâlâ başarısız olan her şey görüntü ve taslakla birlikte bir kişiye gider.
6.  Etiketli bir örnek üzerinde alan doğruluğunu **ölçün** ve model veya istem değiştirdiğinizde yeniden çalıştırın.

## Belge görüntüleri nasıl hazırlanır?

PDF’leri PyMuPDF ile görüntüye çevirin; en küçük metni net tutarken gerekenden fazla piksel göndermeyin:

```python
# pip install pymupdf pillow
import base64, io
import pymupdf  # older code imports it as fitz
from PIL import Image

def pdf_pages_as_data_urls(path, long_edge=1800):
    urls = []
    for page in pymupdf.open(path):
        pix = page.get_pixmap(dpi=200)
        img = Image.open(io.BytesIO(pix.tobytes("png"))).convert("RGB")
        img.thumbnail((long_edge, long_edge))
        buf = io.BytesIO()
        img.save(buf, format="JPEG", quality=90)
        urls.append("data:image/jpeg;base64," + base64.b64encode(buf.getvalue()).decode())
    return urls
```

BroadNet Inference’ta görüntüler mesajın içinde doğru MIME türüyle `data:` URL’leri olarak gider ve [kullandıkça öde](https://broadrouter.com/tr/glossary/pay-as-you-go/) modelinde girdi token’ı olarak faturalandırılır; büyük görüntüler daha fazlasını harcar. Sayfa başına token sayısını `usage` bloğuyla bir kez ölçün ve toplu işlerinizi buna göre boyutlandırın; nasıl yapılacağını [göndermeden önce token sayma](https://broadrouter.com/tr/blog/count-tokens-before-sending/) yazısı, token’ları sayfa başına maliyete çevirmeyi ise [görüntü başına görsel LLM maliyeti](https://broadrouter.com/tr/blog/cheapest-vision-llm-api/) yazısı gösteriyor. Hiçbir şey göndermeden önce sayfa başına token tahmini için örnek bir taramayı [görüntü token hesaplayıcısına](https://broadrouter.com/tools/image-token-calculator/) bırakın.

## Veri çıkarma istemi nasıl yazılmalı?

Anahtarlar, türler, biçimler ve eksik değerler konusunda kesin olun. Doğrulama için ya da şemayı zorunlu kılan sağlayıcılar için bir JSON Schema da istiyorsanız ücretsiz [JSON şema oluşturucu](https://broadrouter.com/tools/json-schema-generator/) onu örnek bir faturadan üretir:

```python
PROMPT = """Extract this invoice. Reply with one JSON object only, no prose.
Keys:
- vendor_name: string, as printed
- vendor_tax_id: string or null
- invoice_number: string
- invoice_date: string, YYYY-MM-DD
- currency: ISO 4217 code, e.g. USD, EUR, SAR
- line_items: list of {description: string, quantity: number, unit_price: number, line_total: number}
- subtotal: number
- tax: number or null
- total: number
Rules: numbers without currency symbols or thousands separators. If a field is not on the page, use null. Never guess."""
```

En çok önemli olan “Never guess” (asla tahmin etme) ifadesi ve açık bir `null`. Bunlar olmadan modeller boşlukları makul görünen değerlerle doldurur; bu da boş bırakmaktan kötüdür, çünkü basit bir kontrolden geçer.

## Yapılandırılmış çıktı nasıl alınır ve doğrulanır?

[Yapılandırılmış çıktının](https://broadrouter.com/tr/glossary/structured-output/) iki seviyesi var. JSON modu geçerli JSON’u garanti eder. Şemayla kısıtlanmış çıktı ise biçimi de garanti eder. OpenAI’ın kılavuzu bunu açıkça söylüyor: ikisi de geçerli JSON üretir, ancak şemaya bağlılığı yalnızca Structured Outputs sağlar. İkisinin desteği de sağlayıcıya ve modele göre değişir; bu yüzden API ne vaat ederse etsin kodda doğrulayın:

```python
import json, os
from decimal import Decimal
from pydantic import BaseModel, ValidationError, model_validator
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

class Line(BaseModel):
    description: str
    quantity: Decimal
    unit_price: Decimal
    line_total: Decimal

class Invoice(BaseModel):
    vendor_name: str
    vendor_tax_id: str | None = None
    invoice_number: str
    invoice_date: str
    currency: str
    line_items: list[Line]
    subtotal: Decimal
    tax: Decimal | None = None
    total: Decimal

    @model_validator(mode="after")
    def sums(self):
        tol = Decimal("0.02")
        if abs(sum(l.line_total for l in self.line_items) - self.subtotal) > tol:
            raise ValueError("line_totals do not sum to subtotal")
        if abs(self.subtotal + (self.tax or 0) - self.total) > tol:
            raise ValueError("subtotal + tax != total")
        return self

def extract(image_urls, model="broadnet/qwen3.8-27b"):
    content = [{"type": "text", "text": PROMPT}] + [
        {"type": "image_url", "image_url": {"url": u}} for u in image_urls]
    messages = [{"role": "user", "content": content}]
    for attempt in range(2):
        r = client.chat.completions.create(model=model, messages=messages, max_tokens=4000, temperature=0)
        raw = (r.choices[0].message.content or "").strip().removeprefix("```json").removesuffix("```")
        try:
            return Invoice.model_validate(json.loads(raw)), r.usage
        except (json.JSONDecodeError, ValidationError, ValueError) as e:
            messages += [{"role": "assistant", "content": raw},
                         {"role": "user", "content": f"That failed validation: {e}. Re-read the image and reply with corrected JSON only."}]
    return None, r.usage  # send to human review
```

Para için `float` değil `Decimal` kullanın. `max_tokens` değerini cömert tutun: Qwen3.8 27B yanıt vermeden önce akıl yürütür ve akıl yürütme sınıra dahildir; küçük bir sınır boş bir dize döndürür. [Akıl yürütme modelleri neden boş yanıt döndürür](https://broadrouter.com/tr/guides/reasoning-tokens-empty-response/) kılavuzuna bakın.

## Hangi kontroller en çok hatayı yakalar?

| Kontrol | Yakaladığı | Maliyet |
| --- | --- | --- |
| JSON ayrıştırılıyor | JSON çevresindeki düz metin, kesilme | Ücretsiz |
| Şema doğrulanıyor | Eksik anahtarlar, yanlış türler | Ücretsiz |
| Satırların toplamı ara toplamı veriyor | Yanlış okunan rakamlar, atlanan satırlar | Ücretsiz |
| Ara toplam + vergi = genel toplam | Yanlış okunan toplam veya vergi | Ücretsiz |
| Tarih ayrıştırılıyor ve gelecekte değil | Gün/ay yer değiştirmesi, OCR gürültüsü | Ücretsiz |
| Tedarikçi vergi numarası tedarikçi listenizle eşleşiyor | Yanlış tedarikçi, dolandırıcılık | Tek sorgulama |
| Tedarikçi başına mükerrer fatura numarası | Çift ödeme | Tek sorgu |

En iyi getiriyi aritmetik kontroller sağlar: tek bir yanlış okunan rakam neredeyse her zaman bir toplamı bozar. Fişlerde çoğu zaman satır düzeyinde ayrıntı yoktur; mevcut olanı kontrol edin ve fişler için daha az kontrolü kabul edin.

## Canlıya geçmeden önce doğruluk nasıl ölçülür?

50 ile 100 gerçek belgeyi elle etiketleyin, hattı çalıştırın ve belge başına değil **alan başına** puanlayın. Toplamlar ve tarihler, açıklamalardan daha sıkı bir çıtayı hak eder. Üç sayıyı izleyin: alan doğruluğu, yeniden denemeye gerek kalmadan doğrulamadan geçen belgelerin payı ve incelemeye gönderilenlerin payı. Geçen belgelerin rastgele denetimi dahil bu inceleme adımının nasıl tasarlanacağı [insan incelemesini belge yapay zekâsı iş akışınızın parçası yapmak](https://broadrouter.com/tr/blog/document-review-queues/) yazısında. Başka bir model denediğinizde aynı seti çalıştırın; yöntemi [geçiş yapmadan önce LLM değerlendirme](https://broadrouter.com/tr/blog/evaluate-llm-before-switching/) yazısı anlatıyor.

## BroadNet Inference’ta hangi görsel modeller uygun?

| Model | Görüntü | Bağlam | Notlar |
| --- | --- | --- | --- |
| [Qwen3.8 27B](https://broadrouter.com/tr/models/qwen3.8-27b/) | Evet | 262.144 | Araçlar, yapılandırılmış çıktı ve akıl yürütme listelenmiş; BroadNet tarafından Arapçada test edildi |
| [Gemma 4 VL 26B](https://broadrouter.com/tr/models/gemma-4-vl-26b/) | Evet | 32.768 | BroadNet’in en düşük fiyatı; ücretsiz kredide ve saatlik anahtarda çalışır |
| [DeepSeek V4.1 Flash](https://broadrouter.com/tr/models/deepseek-v4.1-flash/) | Evet | 1.048.576 | Sınırsız planlarda görüntüler dahil |

1M token başına fiyatlar [fiyatlar sayfasında](https://broadrouter.com/tr/pricing/); ölçtüğünüz sayfa başına token sayısını aylık hacimle [LLM API maliyet hesaplayıcısında](https://broadrouter.com/tools/llm-api-cost-calculator/) çarpın.

## BroadNet Inference nerede devreye giriyor?

BroadNet Inference, üç sohbet modelinde standart OpenAI mesaj biçimiyle görüntü kabul ediyor ve istekten sonra istemleri, görüntüleri veya yanıtları saklamıyor; bu, isimler, vergi numaraları ve banka bilgileriyle dolu faturalar için önemli ([sıfır veri saklama](https://broadrouter.com/tr/privacy/)). Belgeleri Qwen3.8 27B için yapılandırılmış çıktıyı listeliyor ama şema parametrelerini belgelemiyor; bu yüzden şemanızı zorunlu kılması için API’ye değil, yukarıdaki doğrulama katmanına güvenin. BroadNet bir görüntü boyutu sınırı veya özel bir belge yapay zekâsı ürünü yayımlamıyor ve belgeleri PDF yüklemeyi değil, görüntü girdisini anlatıyor; bu yüzden önce sayfaları görüntüye çevirin. Sabit bütçeyle yüksek hacimli çalışmalar için [sınırsız DeepSeek V4.1 Flash planı](https://broadrouter.com/tr/guides/unlimited-llm-api-sessions/) görüntüleri de kapsıyor.

Bu konu için ücretsiz araçlar (İngilizce)

-   [OpenAI to BroadNet migration helper](https://broadrouter.com/tools/openai-to-broadnet-migration/) Paste OpenAI SDK code; get base URL, key and model edits, a diff and the checks that remain.
-   [max\_tokens calculator for reasoning models](https://broadrouter.com/tools/reasoning-token-budget/) Answer length + reasoning budget + margin = a max\_tokens that does not cut the answer off.
-   [JSON schema generator for LLM structured output](https://broadrouter.com/tools/json-schema-generator/) Sample JSON to strict schema, Pydantic, Zod and a ready request.
-   [LLM JSON output validator](https://broadrouter.com/tools/llm-json-output-validator/) Parse errors by line and column, safe repairs, cut-off detection and JSON Schema checks for model output.

[Ücretsiz araçlar (İngilizce)](https://broadrouter.com/tools/)

## Bu yazıdaki terimler

[Token](https://broadrouter.com/tr/glossary/token/)

Token, bir dil modelinin okuduğu ve yazdığı metin birimidir: modelin tokenizer'ının ürettiği bir kelime, kelime parçası, noktalama işareti veya bayt dizisi. LLM API'leri kullanımı token cinsinden sayar, sınırlar ve genellikle faturalandırır.

[Yapılandırılmış çıktı (structured output)](https://broadrouter.com/tr/glossary/structured-output/)

Yapılandırılmış çıktı, modelin yanıtını geliştiricinin belirlediği bir biçimle, genellikle bir JSON Schema ile sınırlayan bir LLM API özelliğidir; böylece kod yanıtı güvenilir şekilde ayrıştırabilir. Geçerli JSON'u garanti eden ama belirli bir yapıyı garanti etmeyen JSON modundan daha katıdır.

[Optik karakter tanıma (OCR)](https://broadrouter.com/tr/glossary/ocr/)

Optik karakter tanıma (OCR), bir görsel, tarama veya PDF içindeki basılı ya da el yazısı metni tespit edip makinenin okuyabileceği karakterlere dönüştüren teknolojidir. Klasik OCR metni ve sayfadaki konumunu verir; görsel-dil modelleri ise metni okuyup onunla ilgili soruları doğrudan yanıtlayabilir.

[Araç çağırma (tool calling)](https://broadrouter.com/tr/glossary/tool-calling/)

Araç çağırma (tool calling), fonksiyon çağırma (function calling) olarak da bilinir; modelin, geliştiricinin tanımladığı bir fonksiyonu çalıştırmak için JSON argümanlı yapılandırılmış bir istek döndürdüğü bir LLM API özelliğidir. Fonksiyonu uygulama çalıştırır ve sonucu geri gönderir; model hiçbir zaman kodu kendisi çalıştırmaz.

[Kullandıkça öde (pay-as-you-go)](https://broadrouter.com/tr/glossary/pay-as-you-go/)

Kullandıkça öde, abonelik veya asgari taahhüt olmadan yalnızca kullandığınız kadar ödediğiniz, token, istek veya ses dakikası gibi birimler üzerinden ölçülen bir fiyatlandırma modelidir. LLM API'lerinin çoğu bu şekilde, ön ödemeli bir bakiyeden veya dönemsel faturayla ücretlendirir.

[Girdi ve çıktı token'ları](https://broadrouter.com/tr/glossary/input-and-output-tokens/)

Girdi token'ları, bir dil modelinin istekte okuduğu token'lardır: sistem istemi, konuşma geçmişi, araç tanımları ve görseller dahil. Çıktı token'ları ise modelin yanıt olarak ürettikleridir, akıl yürütme dahil. LLM API'leri bunları genellikle ayrı fiyatlandırır ve çıktı genellikle daha pahalıdır.

[Görsel-dil modeli (VLM)](https://broadrouter.com/tr/glossary/vision-language-model/)

Görsel-dil modeli (vision-language model, VLM), girdi olarak görselleri ve metni birlikte alıp metin üreten bir modeldir; böylece resimleri betimleyebilir, onlarla ilgili soruları yanıtlayabilir, belgeleri, grafikleri veya ekran görüntülerini okuyabilir. VLM'lere görselden metne (image-text-to-text) veya çok kipli (multimodal) model de denir.

[JSON modu (JSON mode)](https://broadrouter.com/tr/glossary/json-mode/)

JSON modu, OpenAI tarzı API'lerde response\_format {"type": "json\_object"} ile açılan ve modelin yanıtını geçerli, ayrıştırılabilir JSON yapan bir LLM API ayarıdır. JSON Schema kullanan yapılandırılmış çıktıların aksine, nesnenin hangi anahtarları, türleri veya değerleri içereceğini garanti etmez.

## Sık sorulan sorular

### Görsel bir LLM faturalarda OCR'ın yerini alabilir mi?

Birçok düzende evet. Görsel model görüntüyü okur ve metni tek adımda alanlara eşler; tedarikçi başına şablon gerekmez. Yine de zaman zaman rakamları yanlış okur; doğrulamayı ve inceleme kuyruğunu koruyun.

### Görsel modelden güvenilir JSON nasıl alırım?

İstemde tam anahtarları, türleri ve biçimleri listeleyin, yalnızca JSON isteyin ve kodda ayrıştırın. Model şemayla kısıtlanmış çıktıyı destekliyorsa kullanın. Her iki durumda da bir şema kütüphanesiyle doğrulayın ve hatayla bir kez yeniden deneyin.

### Çok sayfalı bir PDF faturadan nasıl veri çıkarırım?

Her sayfayı görüntüye çevirin, ardından modelin bağlamına sığıyorsa bir faturanın tüm sayfalarını tek istekte gönderin; böylece son sayfadaki toplamlar ilk sayfadaki satırlarla eşleştirilebilir.

### Fatura görüntüleri hangi çözünürlükte olmalı?

En küçük rakamların net olacağı kadar yüksek, daha fazla değil. Büyük görüntüler daha fazla girdi token'ı kullanır. A4 sayfa için uzun kenarda yaklaşık 1.500 ile 2.000 piksel makul bir başlangıç noktası; kendi belgelerinizde test edin.

### Veri çıkarma doğruluğunu nasıl ölçerim?

50 ile 100 gerçek belgeyi elle etiketleyin ve alan alan puanlayın. Toplamları ve tarihleri, tedarikçi adı gibi serbest metin alanlarından ayrı izleyin; çünkü hatalarının maliyeti farklıdır.

## Okumaya devam edin

-   [Arapça OCR mı, görü LLM'i mi: Arapça belge ve fatura okuma](https://broadrouter.com/tr/blog/arabic-ocr-vision-llm/)
-   [Arapça OCR API karşılaştırması: Google, Azure, Textract, Mistral, LLM](https://broadrouter.com/tr/blog/arabic-ocr-api-comparison/)
-   [En ucuz görsel LLM API: görsel ve sayfa başına maliyet hesabı](https://broadrouter.com/tr/blog/cheapest-vision-llm-api/)
-   [JSON modu ve json\_schema: sağlam yapılandırılmış çıktı](https://broadrouter.com/tr/blog/structured-output-json-schema/)
-   [Sağlayıcı değiştirmeden önce bir LLM nasıl değerlendirilir?](https://broadrouter.com/tr/blog/evaluate-llm-before-switching/)
-   [LLM isteği göndermeden önce token sayısı nasıl hesaplanır?](https://broadrouter.com/tr/blog/count-tokens-before-sending/)
-   [Belge yapay zekâsı iş akışınıza insan incelemesini ekleyin](https://broadrouter.com/tr/blog/document-review-queues/)
-   [BroadNet'in GPU donanımı ve sunum yaklaşımı, BroadNet'in anlatımıyla](https://broadrouter.com/tr/blog/broadnet-gpu-fleet-and-serving/)
-   [LLM API yanıtlarını önbelleğe alıp maliyeti düşürün: Python örneği](https://broadrouter.com/tr/blog/cache-llm-responses-cut-cost/)
-   [Rehber: Arapça faturaları ve fişleri bir görü modeliyle okuyun](https://broadrouter.com/tr/guides/read-arabic-invoices-with-vision/)
-   [Rehber: Akıl yürüten model neden boş yanıt döndürür?](https://broadrouter.com/tr/guides/reasoning-tokens-empty-response/)
-   [Rehber: OpenAI Python SDK'yı BroadNet Inference ile kullanın](https://broadrouter.com/tr/guides/openai-python-sdk/)

Gerçek iş yükünüzle deneyin. Yeni hesaplar şunlar için US$5 kredi ile başlar: Gemma ve transkripsiyon. Bakiye yüklemesi gerekenler: DeepSeek, GLM ve Qwen3.8.

[Başlayın](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-extract-data-from-documents-with-vision-llm&utm_content=page-cta) ·

**Kaynaklar**

-   [BroadNet Inference API başvurusu: görüntüyle sohbet, MIME türleri, planlarda görüntüler (2026-11-14 tarihinde erişildi) (İngilizce)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-extract-data-from-documents-with-vision-llm&utm_content=sources#requests)
-   [BroadNet Inference makine tarafından okunabilir fiyatlar, modeller ve modaliteler, pricing.json (2026-11-14 tarihinde erişildi) (İngilizce)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-extract-data-from-documents-with-vision-llm&utm_content=sources)
-   [OpenAI Structured Outputs kılavuzu, JSON modu ve şemaya bağlılık (2026-11-14 tarihinde erişildi)](https://developers.openai.com/api/docs/guides/structured-outputs)
-   [Pydantic belgeleri, modeller ve doğrulama (2026-11-14 tarihinde erişildi)](https://docs.pydantic.dev/latest/concepts/models/)
-   [PyMuPDF belgeleri, sayfaları görüntüye dönüştürme (2026-11-14 tarihinde erişildi)](https://pymupdf.readthedocs.io/en/latest/recipes-images.html)
