Fast jede Anfrage fällt in eine von vier Formen. Sampling bedeutet, gleichmäßig verteilte Bilder über einen Videoabschnitt zu nehmen – eines pro Sekunde, eines alle zehn –, um es zu überprüfen, zu kommentieren oder in etwas anderes einzuspeisen. Targeting bedeutet, ein bestimmtes Bild zu finden und es in voller Qualität zu speichern. Gebäude bedeutet, dass die Bilder Rohmaterial für etwas anderes sind: ein GIF, ein Miniaturansicht, ein Kontaktabzug. Vorbereitung bedeutet, dass die Frames zu einem Datensatz werden, bei dem Konsistenz und Herkunft wichtiger sind als jedes einzelne Bild.
Die Einstellungen, die sich daraus ergeben, sind wirklich unterschiedlich. Die Abtastung wird durch ein Intervall bestimmt und hängt davon ab, ob die Frame-Anzahl direkt vor dem Start ermittelt wird. Das Targeting hängt davon ab, dass die Bildrate der Quelle bekannt ist, sodass beim Schrittschritt genau ein Bild bewegt wird. Für die Erstellung sind in der Regel weniger Frames erforderlich, als man erwartet, und eine bewusste Wahl des Ausgabeformats. Zur Vorbereitung müssen Entscheidungen benannt und aufgeteilt werden, die vor Beginn der Annotation getroffen werden, da es teuer ist, sie nachträglich zu ändern.
Die folgenden Anleitungen sind auf diese Weise und nicht nach Werkzeug gruppiert.